当前网络的博客上都是普遍采用某个迁移学习训练cifar10，无论是vgg，resnet还是其他变种模型，最后通过实例代码，将cifar的acc达到95以上，本篇博客将采用不同的维度去训练cifar10，研究各个维度对cifar10准确率的影响，当然，此篇博客，可能尚不完全准确，如有不对，欢迎指正修改，此篇博客只作为本人实验参考的一部分

通过模型

首先，数据集上不变的情况（注意，图片size均为224，loss为交叉熵），第一种考虑的情况自然是模型，现在市场上的分类模型无非就是那么几种，从最小的mobile net到最后的resnet，resnext，desnet等（注意：此处模型不考虑transformer，只考虑cv模型，但是根据排行榜的情况看来，transformer的模型精度效果更高，https://paperswithcode.com/sota/image-classification-on-cifar-10），对于传统模型而言，肯定是模型越大，精度越高，下面我采用torchvision中，最大的两个resnet模型及变体进行了测试，在常规训练20轮后得到以下效果：

resnet152

resnext101_32x8d

这两个大模型精度确实高，但是模型本身参数量也很大，大概都在3,40g左右，对于像传统分类数据集而言，如果只追求精度，可以考虑这种情况，下面来试一下小型的模型的精度，以下是测试

vgg16

resnet18

moblienetv3

越小的模型同样精度也会稍差一点，如果是一般实验，resnet18看起来就够了

通过优化器

对于优化器而言，这里不采用过多的优化器测试，仅仅使用sgd和adam做测试，所以随便采用一种模型去常规训练即可得到结果

adam

sgd

对于cifar10而言，sgd优化器和adam优化器差异并不大，此次训练中，sgd略优于adam，但是不代表，其他超参数的调整，sgd一直略胜于adam

通过batchsize

由于训练时长原因，这里采用较为简单的resnet18作为测试，通过不同的batchsize，来反应平均loss和acc

batchsize	loss	acc
16	0.7	94.1
32	0.09	94.8
64	0.03	95.6
128	0.07	95.4

最后batchsize为64，当然，其他模型可能反应出不同的效果，上份数据不代表普遍性

通过数据增强

与batchsize一样，下面通过常规的几种数据增强方式，用resnet18作为测试，来反应平均loss和acc（注意：以下数据增强，将采用数据增强后，size统一转为244后，在进行归一化后的操作，也就是T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])）

batchsize	loss	acc
T.Resize(256),T.CenterCrop(224),	0.3	95.2
T.RandomGrayscale(p=0.25),	0.07	94.6
T.ColorJitter(hue=.05, saturation=.05),	0.11	93.8
T.RandomResizedCrop((64,64), scale=(0.8, 1)),	0.07	94.5

通过表格数据得知，通过放大后，在进行中心裁剪的操作，可以使模型更容易泛化，本人感觉，应该是图形放大后，图像的特征更适合resnet18了，当然了，上份数据不代表普遍性

总结

大模型的参数量高精度更高，对于一般的实验项目而言，想要获得最好的精度，我总结了一下，使用如下配置

backbone：resnet18（在不进行魔改的情况下）
batch_size: 64
数据增强：T.Compose(
[
T.Resize(256),
T.CenterCrop(224),
T.ToTensor(),
T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
优化器：sgd

经过50轮迭代训练后，达到如下准确率

96的准确率，如果将模型换成resnet50或者更大的模型，准确率将会进一步提升