【深度学习】实验3布置：PyTorch实战——CIFAR图像分类

DL_class

学堂在线《深度学习》实验课代码+报告（其中实验1和实验6有配套PPT），授课老师为胡晓林老师。课程链接：https://www.xuetangx.com/training/DP080910033751/619488?channel=i.area.manual_search。

持续更新中。
所有代码为作者所写，并非最后的“标准答案”，只有实验6被扣了1分，其余皆是满分。仓库链接：https://github.com/W-caner/DL_classs。 此外，欢迎关注我的CSDN：https://blog.csdn.net/Can__er?type=blog。
部分数据集由于过大无法上传，我会在博客中给出下载链接。如果对代码有疑问，有更好的思路等，也非常欢迎在评论区与我交流~

实验3：PyTorch实战——CIFAR图像分类

1 用多层感知机(MLP)和卷积网络(ConvNet)完成MNIST分类

使用PyTorch分别实现多层感知机(MLP)和卷积网络(ConvNet)，并完成MNIST分类。本案例不提供初始代码，请自行配置网络和选取超参数，包括层数、卷积核数目、激活函数类型、损失函数类型、优化器等方面。

提交所有代码和一份案例报告，要求如下：

• 详细介绍所使用的模型及其结果，至少包括超参数选取，损失函数、准确率及其曲线；

• 比较不同模型配置下的结果，至少从三个方面作比较和分析，例如层数、卷积核数目、激活函数类型、损失函数类型、优化器等。

2 学习PyTorch ImageNet分类示例

请自行学习PyTorch官方提供的ImageNet分类示例代码，以便更好地完成后续案例(https://github.com/pytorch/examples/tree/master/imagenet)，这部分无需提交代码和报告。

3 注意事项

• 提交所有代码和一份案例报告；
• 禁止任何形式的抄袭。