第一个机器学习Git项目

1. Fork项目
   访问项目主页：Simple-CNN-CIFAR10
   点击右上角的“Fork”按钮，将该项目复制到自己的GitHub账户中。
2. 克隆项目到WSL2
   创建项目文件夹，并且选择项目克隆，在WSL2终端输入
   mkdir -p ~/projects cd ~/projects`
   `git clone https://github.com/Air-LWZ/pytorch-cifar.git`
   
3. 进入克隆的项目目录，运行main.py
   cd pytorch-cifar，python3 main.py
   开始训练
4. 分析main.py
   
   其中net = SimpleDLA()是SimpleDLA 是项目中使用的卷积神经网络（CNN）模型类。在这段代码中，它从 models/ 目录中导入了各种预定义的模型类，包括 SimpleDLA。该模型应该是在 models/ 文件夹下的某个文件中定义的，类似于其他模型，如 ResNet18、VGG19 等。
   
   这行代码导入了所有可用的模型类。由于当前代码选择了SimpleDLA()作为网络结构，这意味着 SimpleDLA是训练用的模型架构。
5. 选着模型，开始训练
   

• 训练过程解析（第12轮训练）
  
  *1. 训练阶段（第一行）

• Epoch: 12 表示当前的训练轮次（第12轮）。
  

• Step: 314ms 每个训练批次的平均处理时间为 314 毫秒（ms）。
  

• Tot: 2m59s 完成这一轮所有训练批次的总时间为 2 分钟 59 秒。
  

• Loss: 0.527 训练集上的损失值为 0.527。损失值越低，表示模型在训练集上的表现越好。
  

• Acc: 81.804% (40902/50000) 训练集上的准确率为 81.804%。其中，40902/50000 表示在 50,000 张训练图像中，模型正确分类了 40,902 张。
  

  *2. 测试阶段（第二行）

• Loss: 0.780 测试集上的损失值为 0.780。损失值相对较高，通常测试集上的损失值会比训练集高，表示模型在测试集上的表现不如训练集。
  

6.不同的模型，测试结果

7. Push修改的代码

项目Readme.md，链接https://github.com/Air-LWZ/pytorch-cifar.git
使用 PyTorch 进行 CIFAR-10 图像分类

• 本项目演示了如何使用 PyTorch 训练一个神经网络来对 CIFAR-10 数据集中的图像进行分类。该模型能够将图像分类为 10 个不同的类别：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。代码支持多种网络架构，如 ResNet、VGG、DenseNet 等。

问题：

在终端中配git，git config --global user.name "你的名字"、git config --global user.email "你的邮箱"，用git config --list查看git配置信息