嗨，我是pytorch的新手。我正在尝试使用内置的CIFAR10和resnet18模型来实施转移学习。为此，我打算首先下载原始数据集并对其进行一些转换，然后从10个类中的每个类中提取500个样本，并创建一个新的总共有5000个训练样本的数据集（而不是原始CIFAR10中的50,000个样本）。
在那种情况下，我只是按照组的类别提取和安排集合样本的索引，然后为每个类别随机选择500个样本。但是使用这种方法，即使我在原始集合上进行数据扩充，也无法从网络上获得任何性能。 SO是否有一种方法（使用某些自定义数据加载器）真正获取每类500个数据，然后对其应用数据增强以达到性能？
MEDIA_URL = '/media/'
MEDIA_ROOT = os.path.join(BASE_DIR, "media")
我正在使用lr = 0.001且weight_decay（L2正则化参数）为1e-5的Adam Optimizer。每隔10个周期，我会将lr衰减一半。我希望测试准确性至少能有所改善。但是准确度停留在10％左右，并且只是在附近波动。您对我在哪里做错有什么建议吗？