### 实现AlexNet并绘制准确度曲线 要在GPU环境中使用PyTorch和`timm`库实现AlexNet，并绘制模型训练的准确度曲线，可以按照以下方法完成。 #### 安装依赖项 首先需要确保环境已安装必要的库。可以通过以下命令安装 `timm` 和其他可能需要的工具： ```bash pip install timm matplotlib torch torchvision ``` #### 加载 AlexNet 模型 `timm` 库支持加载多种预训练模型，其中包括经典的 AlexNet。以下是加载 AlexNet 的代码片段： ```python import timm import torch device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 使用 timm 创建 AlexNet 模型 model = timm.create_model('alexnet', pretrained=True) # 将模型移动到 GPU 上运行 model.to(device) ``` 这里通过调用 `timm.create_model` 函数创建了一个预训练的 AlexNet 模型[^1]。如果不需要预训练权重，则可以在函数中设置参数 `pretrained=False`。 #### 数据集准备 为了训练模型，需要准备好数据集。假设我们使用 CIFAR-10 数据集作为例子： ```python from torchvision import datasets, transforms transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 调整图像大小以适应 AlexNet 输入尺寸 transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False) ``` 这段代码定义了数据增强操作并将数据转换为适合 AlexNet 处理的形式[^1]。 #### 训练过程与记录准确率 在训练过程中，我们需要跟踪每轮迭代中的准确率变化情况以便后续绘图。下面是一个简单的训练循环示例： ```python import torch.optim as optim import numpy as np criterion = torch.nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) def evaluate_accuracy(data_loader): model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in data_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() return 100 * correct / total num_epochs = 10 accuracy_history = [] for epoch in range(num_epochs): model.train() running_loss = 0.0 for i, (images, labels) in enumerate(train_loader): images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() accuracy = evaluate_accuracy(test_loader) accuracy_history.append(accuracy) print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}, Accuracy: {accuracy:.2f}%') ``` 在此部分中，每次评估测试集上的性能后都会将其存储至列表 `accuracy_history` 中用于后期可视化[^1]。 #### 绘制准确度曲线 当所有 Epoch 结束之后，我们可以基于之前保存下来的精度历史来画出一条趋势线： ```python import matplotlib.pyplot as plt plt.plot(range(1, num_epochs + 1), accuracy_history, marker='o') plt.title('Model Accuracy Over Time') plt.xlabel('Epochs') plt.ylabel('Accuracy (%)') plt.grid(True) plt.show() ``` 以上脚本会生成一张显示随着 epochs 增加而改变的分类准确性图表。 ---