丹摩 | 基于PyTorch的CIFAR-10图像分类实现

---

从创建实例开始的新项目流程

第一步：创建实例

1. 登录 DAMODEL 平台。
2. 创建一个 GPU 实例：
   

   • GPU 配置：选择 NVIDIA H800 或其他可用高性能 GPU。
     

   • 系统配置：推荐使用 Ubuntu 20.04，内存 16GB，硬盘 50GB。

   • 启动实例后，获取实例的 IP 地址。

   • 选择镜像
     

---

第二步：连接实例

2. 登录成功后，你会进入实例的终端界面。
   
   

---

第三步：更新系统和安装基础工具

1. 更新系统：

   sudo apt update && sudo apt upgrade -y
   

2. 安装 Python 和基础工具：

   sudo apt install python3 python3-pip git -y
   

3. （可选）安装文本编辑器：

   sudo apt install vim nano -y
   

---

第四步：创建项目目录并配置环境

1. 创建项目目录：

   mkdir ~/workspace/cifar10_project
   cd ~/workspace/cifar10_project
   

2. 创建并激活虚拟环境：

   python3 -m venv venv
   source venv/bin/activate
   

   
   前面出现venu则表示已经激活虚拟环境了

3. 安装必要的 Python 包：

   pip install torch torchvision matplotlib
   

第五步：下载数据并初始化项目代码

1. 创建 Python 脚本：

   vim train_cifar10.py
   

2. 在文件中输入以下代码，加载 CIFAR-10 数据集并定义简单模型：

   import torch
   import torchvision
   import torchvision.transforms as transforms
   import torch.nn as nn
   import torch.optim as optim# 数据预处理
   transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
   ])# 加载 CIFAR-10 数据集
   trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
   trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
   testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)# 定义简单卷积神经网络
   class SimpleCNN(nn.Module):def __init__(self):super(SimpleCNN, self).__init__()self.conv1 = nn.Conv2d(3, 32, 3, padding=1)self.pool = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(32 * 16 * 16, 10)def forward(self, x):x = self.pool(torch.relu(self.conv1(x)))x = x.view(-1, 32 * 16 * 16)x = self.fc1(x)return x# 初始化模型、损失函数和优化器
   net = SimpleCNN()
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)# 模型训练
   for epoch in range(5):  # 训练 5 个周期running_loss = 0.0for inputs, labels in trainloader:optimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()print(f"Epoch {epoch+1}, Loss: {running_loss / len(trainloader)}")print("Finished Training")
   

3. 保存并退出（按下 Esc，然后输入 :wq）。

---

第六步：运行训练脚本

运行脚本进行模型训练：

python train_cifar10.py

• 脚本会下载 CIFAR-10 数据集并训练模型。
• 训练完成后会输出每个 epoch 的损失值。
  

---

第七步：保存和测试模型

1. 保存模型：在脚本末尾添加代码以保存训练好的模型：

   torch.save(net.state_dict(), "cifar10_model.pth")
   print("Model saved as cifar10_model.pth")
   

2. 重新运行脚本以保存模型：

   python train_cifar10.py
   

3. 检查是否生成了 cifar10_model.pth 文件：

   ls
   

4. 测试模型（可选）：加载保存的模型并在测试集上评估准确率：

   net.load_state_dict(torch.load("cifar10_model.pth"))
   net.eval()
   correct = 0
   total = 0
   with torch.no_grad():for inputs, labels in testloader:outputs = net(inputs)_, predicted = torch.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f"Accuracy on test dataset: {100 * correct / total}%")
   

---

第八步：清理和扩展

1. 扩展功能：

   • 使用更复杂的模型（如 ResNet）。
   • 尝试使用 Adam 优化器提高性能。
   • 可视化训练过程或模型预测结果。

2. 清理资源：

   • 如果完成训练并不再需要 GPU 计算，记得停止或删除实例以节省费用。

---

\