本节课回顾了上周所讲过的图像分类问题，理解到图像是可以有三种分类：通用的多类别图像分类，子类细粒度图像分类，实例级图像分类；回顾了混淆矩阵、评估指标、P-R曲线、ROC曲线等。

本节课讲述了卷积神经网络实现cifar10多分类项目，讲述了前期代码的含义以及使用方法，如何调用所适合的库。

该实验项目是分了10类，有多个训练图像和测试图像。

首先导入torch三个必要的库

其次是定义了一个图像预处理的操作序列

（transforms.ToTensor()：将图像转换为Tensor格式，通常会将图像的像素值从[0, 255]的范围转换为[0, 1]的范围

transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))：对图像进行归一化处理，有三个值是因为有三个通道-RGB）

接下来这行代码加载CIFAR-10数据集的训练集部分。torchvision.datasets.CIFAR10类用于加载CIFAR-10数据集。

root：指定数据集的存储路径

train=True：表示加载的是训练集数据。

download=False：表示如果数据集已经存在，则不重新下载。

transform=transform：对加载的图像应用之前定义的预处理操作。

这行代码创建了一个数据加载器trainloader，用于按批次加载训练数据。
torch.utils.data.DataLoader类用于创建数据加载器。

trainset：指定要加载的数据集（即前面定义的trainset）。

batch_size=4：表示每个批次包含4个样本。

shuffle=True：表示在每个 epoch 开始时打乱数据顺序，以增加训练的随机性。

num_workers=2：表示使用2个进程来加载数据，提高数据加载的效率。

最后定义了一个class类属性。（里面有10个）

首先导入matplotlib库的pyplot模块，取名为plt（matplotlib是一个用于绘制图表和可视化数据的常用库）；导入numpy库，取名为np； %matplotlib inline用于在Notebook中直接显示绘制的图形。

img = img / 2 + 0.5：对输入的图像张量进行反归一化操作

npimg = img.numpy()：将PyTorch的张量img转换为numpy数组，以便matplotlib能够处理。

plt.imshow(np.transpose(npimg, (1, 2, 0)))：将道数, 高度, 宽度改为高度, 宽度, 通道数。

plt.show()：显示绘制的图像。

dataiter = iter(trainloader)：创建一个迭代器dataiter，用于遍历trainloader中的数据批次。trainloader是之前定义的数据加载器，用于加载训练数据。

__inti__:构造函数，初始化

conv：卷积层

pool：池化层

fc：全连接层

forward：正向传播

该代码是打印网络的总参数数量

定义了损失函数criterion

该代码是打印网络结构