1. 环境与模块准备
导入torch、torch.nn、torch.optim等 PyTorch 核心模块，以及numpy、torchvision等工具库，用于模型构建、优化、数据处理；同时定义超参数（如批次大小BATCHSIZE=100、训练轮数EPOCHES=20、学习率LR=0.001等）。
2. 模型定义
构建了多类 CNN 模型，覆盖不同复杂度：
- 基础 CNN 模型 ：
CNNNet、Net、LeNet，结构相近，由卷积层（Conv2d） 、池化层（MaxPool2d） 、* 全连接层（Linear）* 组成，通过 ReLU 激活引入非线性，属于轻量型 CNN。 - VGG 模型 ：
VGG（支持 VGG16/VGG19），通过配置字典cfg定义 "卷积块 + 池化层" 的重复结构，利用_make_layers方法自动生成层序列，最终接全连接层完成分类，属于深度化 CNN。
3. 数据处理
基于torchvision加载CIFAR10 数据集，并定义数据变换：
- 训练集：加入
RandomCrop（随机裁剪）、RandomHorizontalFlip（水平翻转）增强数据多样性，再通过ToTensor（转张量）、Normalize（标准化）统一数据分布。 - 测试集：仅保留
ToTensor和Normalize，避免数据增强引入额外噪声。随后通过DataLoader创建训练 / 测试数据加载器，实现批量数据迭代。
4. 模型训练与评估
采用两种策略开展训练与性能评估：
- 集成学习（投票机制） ：将
CNNNet、Net、LeNet封装为列表，共享Adam优化器与CrossEntropyLoss损失函数。训练时，每个模型独立前向传播、计算损失并反向传播更新参数；测试时，各模型输出预测结果，通过 "多数表决" 得到集成模型的预测，最终对比集成模型与单模型的准确率。 - 单模型（VGG16）训练 ：单独训练
VGG('VGG16')，流程与集成方法一致，重点跟踪 VGG16 在每轮训练后的测试准确率。
核心意图
通过对比基础 CNN 模型 、集成模型 与深度 VGG 模型 的性能，展现模型结构复杂度 （如网络深度）、集成学习策略对 CIFAR10 图像分类任务准确率的影响。
5.代码
