CIFAR-10是一個更接近普適物體的彩色圖像數據集。CIFAR-10 是由Hinton 的學生Alex Krizhevsky 和Ilya Sutskever 整理的一個用于識別普適物體的小型數據集。一共包含10 個類別的RGB 彩色圖片：飛機（ airplane ）、汽車（ automobile ）、鳥類（ bird ）、貓（ cat ）、鹿（ deer ）、狗（ dog ）、蛙類（ frog ）、馬（ horse ）、船（ ship ）和卡車（ truck ）。
每個圖片的尺寸為32 × 32 ，每個類別有6000個圖像，數據集中一共有50000 張訓練圖片和10000 張測試圖片。

import torchvision
import torchvision.transforms as transforms# 定義數據預處理
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])# 自動下載訓練集
trainset = torchvision.datasets.CIFAR10(root='./data',  # 數據保存路徑train=True,download=True,  # 設置為True自動下載transform=transform
)# 自動下載測試集
testset = torchvision.datasets.CIFAR10(root='./data',train=False,download=True,transform=transform
)

1. 導入必要的庫

1. torchvision：PyTorch 的視覺庫，提供常用數據集、模型架構和圖像轉換工具。
2. transforms：用于圖像預處理的模塊，如縮放、歸一化等。

2. 定義數據預處理流程

1. transforms.Compose：將多個預處理操作按順序組合。
2. transforms.ToTensor()：
   1. 將 PIL 圖像或 NumPy 數組（H×W×C，范圍 0-255）轉換為 PyTorch 張量（C×H×W，范圍 0.0-0）。
3. transforms.Normalize(mean, std)：
   1. 對每個通道進行歸一化：output = (input - mean) / std。
   2. 這里mean=(0.5, 0.5, 0.5)和std=(0.5, 0.5, 0.5)將像素值從[0.0, 1.0]映射到[-1.0, 1.0]（例如，0.0→-1.0，1.0→1.0）。

3. 下載并加載訓練集

1. torchvision.datasets.CIFAR10：CIFAR-10 數據集類，包含 10 個類別（如飛機、汽車、鳥類等）的 60,000 張 32×32 彩色圖像。
2. 參數說明：
   1. root='./data'：數據將下載到當前目錄的data文件夾中。
   2. train=True：加載訓練集（50,000 張）；若為False則加載測試集（10,000 張）。
   3. download=True：若數據不存在，自動從互聯網下載（約 170MB）。
   4. transform=transform：對圖像應用之前定義的預處理（轉為張量并歸一化）。

4. 下載并加載測試集

1. 測試集與訓練集結構相同，但用于模型評估，不參與訓練。

5. 數據驗證與使用

下載完成后，數據將存儲在./data/cifar-10-batches-py目錄中。你可以：

1. 查看數據集大小：

1. 訪問單個樣本：

1. 使用數據加載器批量處理數據：

注意事項

1. 下載路徑：
   1. 若指定路徑（如./data）已存在 CIFAR-10 數據，download=True不會重復下載。
   2. 若路徑錯誤或無寫入權限，會拋出異常（如PermissionError）。
2. 網絡問題：
   1. 首次下載需聯網，可能需要幾分鐘。若下載中斷，可刪除./data目錄后重新運行。
3. 數據預處理：
   1. 歸一化參數mean和std通常根據數據集的統計特性設定。對于 CIFAR-10，常用(0.5, 0.5, 0.5)進行簡單歸一化。
   2. 若需要更精確的歸一化，可計算數據集的真實均值和標準差（如mean=[0.4914, 0.4822, 0.4465]，std=[0.2470, 0.2435, 0.2616]）。

擴展應用

加載數據后，可用于訓練 CNN 模型（如之前創建的SimpleCNN）：