🌟 使用 PyTorch 复现 AlexNet

欢迎来到本项目！本仓库展示了如何使用 PyTorch 复现经典的 AlexNet 网络结构，涵盖了从零训练和迁移学习两种模式，适合深度学习入门和进阶学习者实践参考。

---

📚 项目简介

• 目标：使用 PyTorch 完整复现 AlexNet，并进行实验。
• 数据集：包含 torchvision 自带的 CIFAR10，以及需手动下载的花卉分类数据集。
• 特色：根据不同数据集自适应调整模型分类头，兼容迁移学习，脚本即开即用，支持训练、测试和推理。

---

🛠️ 快速开始

1. 数据集准备

• CIFAR10：由 torchvision 自动下载，无需手动操作。
• 花卉数据集：请参考 dataset_download.md 获得详细下载与整理方法。

2. 预训练模型

• 说明：在小数据集或非 ImageNet 上从零训练 AlexNet 效果通常不佳，推荐使用预训练权重微调。
• 方法：预训练参数已集成于仓库，运行 pretrained_alexnet.py 即可自动下载并完成迁移学习准备。
• 用法：只需执行该脚本，迁移学习流程将自动完成。

---

🏗️ 项目结构

├── model.py                # AlexNet 主体结构，分类头可适配（CIFAR10 为10类，花卉为5类）
├── data_preprocess.py      # 数据预处理工具
├── train.py                # 从零训练脚本
├── pretrained_alexnet.py   # 迁移学习训练脚本
├── test.py                 # 模型验证与推理脚本
├── model_test_images/      # 测试图片目录（可自行添加图片）
├── dataset_download.md     # 数据集下载说明
└── README.md               # 项目说明文档

---

🚀 使用指南

1. 从零训练自定义 AlexNet

• 在 train.py 文件开头选择数据集及调整超参数（如学习率、训练轮数等）。
• 执行命令：

  python train.py

• 所需的文件夹会自动创建。

2. 迁移学习训练

• 在 pretrained_alexnet.py 文件开头选择数据集。
• 执行命令：

  python pretrained_alexnet.py

3. 模型验证与推理

训练或迁移学习后，/model 目录下会生成如下模型文件：

• alexnet_cifar10.pth
• alexnet_flowers.pth
• alexnet_cifar10_with_pretrained.pth
• alexnet_flowers_with_pretrained.pth

验证步骤：

1. 打开 test.py，在文件开头选择模型和数据集。
2. 指定测试图片路径或文件夹。
3. 执行命令：

   python test.py

---

📈 训练效果

数据集	模型类型	准确率 / 置信度
CIFAR10	自定义模型	很高（最高可达 100%）
CIFAR10	预训练模型	100%
花卉	自定义模型	很差（几乎无法分类）
花卉	预训练模型	约 70% 置信度

• 说明：花卉数据集为细粒度分类任务且数据量较小，AlexNet 模型结构相对简单，效果有限。建议迁移学习方式获得更优结果。

---

📝 注意事项

• 训练细粒度或小样本数据时，建议采用更深或更精细的网络结构。
• 请确保数据集路径正确，并根据实际数据调整预处理参数。

---

🤝 致谢

• PyTorch 中文网
• torchvision
• AlexNet 原论文 (2012)

---

祝你学习愉快，深度学习之路一帆风顺！ 🚀