cifar-10简介：
CIFAR-10是一个常用的图像分类数据集，每张图片都是 3×32×32，3通道彩色图片，分辨率32×32。
它包含了10个不同类别，每个类别有6000张图像，其中5000张用于训练，1000张用于测试。这10个类别分别为：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。
CIFAR-10分类任务是将这些图像正确地分类到它们所属的类别中。对于这个任务，可以使用深度学习模型，如卷积神经网络(CNN)来实现高效的分类。
项目共分为5个步骤：
1.数据加载及预处理(实现数据加载及预处理、归一化的理解、访问数据集、Dataset对象、Dataloader对象)
2.定义网络
3.定义损失函数和优化器(loss和optimizer)
4.训练网络并更新网络参数(enumerate函数)
5.测试网络:部分数据集（实际的label）、部分数据集（预测的label）、整个测试集
全局平均池化：
定义:将特征图所有像素值相加求平局，得到一个数值，即用该数值表示对应特征图
目的:替代全连接层
效果:减少参数数量，减少计算量，减少过拟合
结果分析
通过测试集的准确率来评估模型的性能。可以进一步调整模型结构、超参数或数据增强方法来提高准确率。
进一步优化
学习率调度：可以使用学习率调度器（如StepLR或ReduceLROnPlateau）来动态调整学习率。
数据增强：增加更多的数据增强方法，如随机旋转、颜色抖动等。
模型架构：尝试更复杂的模型架构，如ResNet、DenseNet等。
正则化：增加正则化方法，如Dropout、权重衰减等。