🖼️ Simple PyTorch Image Classification

一个最简单的PyTorch图像分类示例，使用CIFAR-10数据集训练一个基础的卷积神经网络。

📋 项目特点

• ✅ 完全自动化: 所有数据和依赖都会自动下载
• ✅ GPU支持: 自动检测并使用GPU加速训练
• ✅ 简单易懂: 代码结构清晰，适合初学者
• ✅ 完整流程: 包含数据加载、模型训练、测试和推理

🚀 快速开始

1. 安装依赖

pip install -r requirements.txt

2. 训练模型

python train.py

训练过程会：

• 自动下载CIFAR-10数据集
• 训练一个简单的CNN模型
• 每个epoch显示训练进度
• 保存最佳模型到 best_model.pth

3. 测试模型

python test.py

测试会：

• 加载训练好的模型
• 在测试集上评估准确率
• 显示详细的分类报告

4. 推理示例

python inference.py

推理会：

• 随机选择测试集中的图片
• 显示预测结果和真实标签
• 可视化预测过程

📁 项目结构

image/
├── README.md           # 项目说明文档
├── requirements.txt    # Python依赖包
├── train.py           # 训练脚本
├── test.py            # 测试脚本
├── inference.py       # 推理脚本
├── model.py           # 模型定义
├── dataset.py         # 数据加载器
└── utils.py           # 工具函数

🏗️ 模型架构

使用简单的CNN架构：

• 2个卷积层 + ReLU + MaxPool
• 1个全连接层
• Dropout防止过拟合
• 10个输出类别（CIFAR-10）

📊 数据集信息

CIFAR-10数据集:

• 60,000张32x32彩色图片
• 10个类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车
• 50,000张训练图片 + 10,000张测试图片
• 数据会自动下载到 ./data 目录

⚙️ 训练参数

• 学习率: 0.001
• 批次大小: 64
• 训练轮数: 10
• 优化器: Adam
• 损失函数: CrossEntropyLoss

🎯 预期结果

• 训练时间：约5-10分钟（GPU）/ 20-30分钟（CPU）
• 预期准确率：60-70%
• 模型大小：约2MB

🔧 系统要求

• Python 3.7+
• PyTorch 1.9+
• CUDA（可选，用于GPU加速）

🐛 故障排除

GPU相关问题

# 检查CUDA是否可用
python -c "import torch; print(torch.cuda.is_available())"

# 检查GPU设备
python -c "import torch; print(torch.cuda.get_device_name(0))"

内存不足

如果遇到内存不足，可以：

• 减小批次大小（修改train.py中的batch_size）
• 使用CPU训练（会自动检测）

网络问题

如果下载数据集失败：

• 检查网络连接
• 可能需要科学上网
• 数据会缓存，重新运行即可

📈 扩展建议

1. 数据增强: 添加随机翻转、旋转等
2. 模型改进: 使用ResNet、VGG等预训练模型
3. 超参数调优: 尝试不同的学习率、批次大小
4. 可视化: 添加训练曲线、混淆矩阵等

📝 许可证

MIT License - 可自由使用和修改

🤝 贡献

欢迎提交Issue和Pull Request！

---

Happy Coding! 🎉