Upload folder using huggingface_hub

README.md

@@ -0,0 +1,150 @@
+# SimpleConvNetLite: 轻量级CIFAR-10图像分类模型
+
+这是一个为快速训练和部署而设计的轻量级卷积神经网络模型，在CIFAR-10数据集的子集上训练，可以在CPU上10分钟内完成训练。
+
+## 模型描述
+
+SimpleConvNetLite是一个简化版的CNN模型，专为快速训练和部署而设计。模型架构简单，参数量小，可以在资源受限的环境中运行。
+
+### 模型架构
+
+```
+SimpleConvNetLite(
+  (conv1): Conv2d(3, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
+  (pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
+  (fc1): Linear(in_features=4096, out_features=64, bias=True)
+  (fc2): Linear(in_features=64, out_features=10, bias=True)
+)
+```
+
+- 1个卷积层（16个过滤器，3x3卷积核）
+- 1个最大池化层
+- 2个全连接层（64个隐藏单元）
+
+参数总量: ~260K
+
+## 训练数据
+
+模型在CIFAR-10数据集的子集上进行训练：
+
+- 只使用原始CIFAR-10数据集的**20%**
+- 训练样本: 10,000张图像（原50,000的20%）
+- 测试样本: 2,000张图像（原10,000的20%）
+- 图像尺寸: 32x32像素，RGB 3通道
+- 类别: 飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车
+
+## 训练过程
+
+- **优化器**: Adam (lr=0.001)
+- **批次大小**: 128
+- **训练轮次**: 2
+- **损失函数**: CrossEntropyLoss
+- **数据预处理**: 
+  - 调整尺寸到32x32
+  - 标准化 (均值=[0.5, 0.5, 0.5], 标准差=[0.5, 0.5, 0.5])
+
+## 训练时长
+
+- **CPU (Intel i5或同等配置)**: 约5-10分钟
+- **CPU (Intel i7或同等配置)**: 约3-5分钟
+- **GPU (任何配置)**: 不到1分钟
+
+## 性能指标
+
+在CIFAR-10测试集子集上的准确率约为**50-55%**。
+
+## 使用方法
+
+### 使用Transformers库
+
+```python
+from transformers import AutoImageProcessor, AutoModelForImageClassification
+from PIL import Image
+
+# 加载模型和处理器
+processor = AutoImageProcessor.from_pretrained("你的用户名/simple-cnn-cifar10-lite")
+model = AutoModelForImageClassification.from_pretrained("你的用户名/simple-cnn-cifar10-lite")
+
+# 加载图像并进行预处理
+image = Image.open("path_to_image.jpg")
+inputs = processor(images=image, return_tensors="pt")
+
+# 预测
+outputs = model(**inputs)
+predicted_class_idx = outputs.logits.argmax(-1).item()
+print(f"预测类别: {model.config.id2label[predicted_class_idx]}")
+```
+
+### 使用PyTorch
+
+```python
+import torch
+from PIL import Image
+import torchvision.transforms as transforms
+
+# 定义模型结构
+class SimpleConvNetLite(torch.nn.Module):
+    def __init__(self, num_classes=10):
+        super(SimpleConvNetLite, self).__init__()
+        self.conv1 = torch.nn.Conv2d(3, 16, 3, padding=1)
+        self.pool = torch.nn.MaxPool2d(2, 2)
+        self.fc1 = torch.nn.Linear(16 * 16 * 16, 64)
+        self.fc2 = torch.nn.Linear(64, num_classes)
+        
+    def forward(self, x):
+        x = self.pool(torch.nn.functional.relu(self.conv1(x)))
+        x = x.view(-1, 16 * 16 * 16)
+        x = torch.nn.functional.relu(self.fc1(x))
+        x = self.fc2(x)
+        return x
+
+# 加载模型
+model = SimpleConvNetLite()
+model.load_state_dict(torch.load("pytorch_model.bin", map_location=torch.device('cpu')))
+model.eval()
+
+# 图像预处理
+transform = transforms.Compose([
+    transforms.Resize((32, 32)),
+    transforms.ToTensor(),
+    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
+])
+
+# 类别映射
+classes = ('飞机', '汽车', '鸟', '猫', '鹿', '狗', '青蛙', '马', '船', '卡车')
+
+# 加载图像并预测
+image = Image.open("path_to_image.jpg").convert('RGB')
+image_tensor = transform(image).unsqueeze(0)
+with torch.no_grad():
+    outputs = model(image_tensor)
+    _, predicted = torch.max(outputs, 1)
+    print(f"预测类别: {classes[predicted.item()]}")
+```
+
+## 优势和局限性
+
+### 优势
+
+- **快速训练**: 在CPU上可在10分钟内完成训练
+- **轻量级**: 模型体积小，适合部署在资源受限的环境
+- **易于理解**: 简单的架构设计，适合学习和教学目的
+
+### 局限性
+
+- **准确率较低**: 相比完整模型，精简版准确率约为50-55%
+- **特征提取能力有限**: 只有一个卷积层，特征提取能力有限
+- **仅用于演示**: 主要用于快速演示和教学，不适合生产环境
+
+## 项目链接
+
+- 项目代码: [GitHub仓库链接]
+- Hugging Face Space演示: [你的用户名/simple-cnn-cifar10-lite-demo]
+
+## 许可证
+
+MIT
+
+---
+
+*本模型由[您的名字]创建，用于Hugging Face学习和演示目的。* 

features.json

@@ -0,0 +1,31 @@
+{
+    "features": {
+        "pixel_values": {
+            "feature_extractor_type": "AutoImageProcessor",
+            "_type": "Value",
+            "dtype": "float32",
+            "shape": [
+                3,
+                32,
+                32
+            ]
+        },
+        "labels": {
+            "_type": "ClassLabel",
+            "names": [
+                "飞机",
+                "汽车",
+                "鸟",
+                "猫",
+                "鹿",
+                "狗",
+                "青蛙",
+                "马",
+                "船",
+                "卡车"
+            ],
+            "names_file": null,
+            "id": null
+        }
+    }
+}

model-card.md

@@ -0,0 +1,36 @@
+---
+language:
+- zh
+- en
+license: mit
+library_name: pytorch
+tags:
+- image-classification
+- cifar10
+- cnn
+- lite-model
+- educational
+datasets:
+- cifar10
+metrics:
+- accuracy
+model-index:
+- name: SimpleConvNetLite
+  results:
+  - task:
+      type: image-classification
+      name: Image Classification
+    dataset:
+      name: CIFAR-10 (20% subset)
+      type: cifar10
+    metrics:
+      - name: Accuracy
+        type: accuracy
+        value: 0.52
+---
+
+# SimpleConvNetLite模型卡
+
+这是一个轻量级图像分类模型，专为快速训练和部署而设计，可以在CPU上10分钟内完成训练。
+
+[完整模型卡请见README.md]