使用 PyTorch 对 CIFAR10 数据集进行正则化处理

下面是使用 PyTorch 对 CIFAR10 数据集进行正则化处理的代码示例：

import torch
import torchvision
import torchvision.transforms as transforms

# 加载 CIFAR10 数据集
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

# 定义类别标签
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 输出训练集图像的正则化处理前和处理后的示例
import matplotlib.pyplot as plt
import numpy as np

def imshow(img):
    img = img / 2 + 0.5     # 去正则化处理
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# 随机获取训练集的图像
dataiter = iter(trainloader)
images, labels = dataiter.next()

# 显示图像
imshow(torchvision.utils.make_grid(images))
# 输出类别标签
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

在上述代码中，使用了transforms.Normalize函数对图像进行正则化处理。transforms.Normalize函数的第一个参数是每个通道的均值，第二个参数是每个通道的标准差。在此示例中，我们使用的均值和标准差分别是(0.5, 0.5, 0.5)。