build: 添加构建文件.

src/cifar100.egg-info/PKG-INFO

@@ -0,0 +1,120 @@
+Metadata-Version: 2.4
+Name: cifar100
+Version: 0.2.0
+Summary: Cifar100 classification using PyTorch
+Requires-Python: >=3.13
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: matplotlib>=3.10.7
+Requires-Dist: numpy>=2.3.3
+Requires-Dist: torch>=2.8.0
+Requires-Dist: torchvision>=0.23.0
+Dynamic: license-file
+
+# CIFAR100 图像分类项目
+
+## 项目简介
+这个项目使用PyTorch框架和Wide ResNet模型对CIFAR100数据集进行训练和分类。项目采用标准的src layout结构，代码模块化，便于维护和扩展。
+
+## 项目结构
+```
+Cifar100/
+├── src/
+│   └── cifar100/
+│       ├── __init__.py  # 包初始化文件
+│       ├── data.py      # 数据加载和预处理
+│       ├── model.py     # 模型定义（Wide ResNet）
+│       └── trainer.py   # 训练和评估功能
+├── main.py              # 项目入口点
+├── pyproject.toml       # 项目依赖和配置
+├── README.md            # 项目说明文档
+└── .gitignore           # Git忽略规则
+```
+
+## 数据集信息
+- 数据集：CIFAR-100
+- 图片尺寸：32×32像素
+- 数据集类别数量：100
+- 数据量：60000张图片
+- 数据划分：
+  - 训练数据：50000张（每个类别500张）
+  - 测试数据：10000张（每个类别100张）
+
+## 模型介绍
+本项目使用Wide ResNet (WRN) 模型，具体为WRN-34-10配置：
+- 34代表卷积层个数
+- 10代表宽度因子（卷积层的宽度）
+
+模型结构：
+- 初始卷积层：3×3，16个过滤器
+- 第1个block组：32×32输出尺寸，包含5个block，每个block有2个3×3卷积层
+- 第2个block组：16×16输出尺寸，包含5个block，每个block有2个3×3卷积层
+- 第3个block组：8×8输出尺寸，包含5个block，每个block有2个3×3卷积层
+- 全局平均池化：8×8→1×1
+- 全连接层：输出100个类别
+
+## 数据预处理与增强
+训练集数据增强包括：
+- 随机裁剪（32×32，填充4像素）
+- 随机水平翻转
+- 转换为Tensor
+- 归一化处理
+- Cutout数据增强（随机遮挡部分图像）
+
+测试集只进行：
+- 转换为Tensor
+- 归一化处理
+
+## 训练参数
+- 批量大小：128
+- 训练轮数：200
+- 初始学习率：0.1
+- 优化器：SGD（带动量0.9，权重衰减5e-4）
+- 学习率调度：在第60、120、160轮将学习率乘以0.2
+- Dropout概率：0.3
+
+## 运行说明
+
+### 开发环境安装
+
+在开发环境中，可以使用开发模式安装项目，包含所有开发工具：
+
+```bash
+pip install -e "[dev]"
+```
+
+### 生产环境安装
+
+在生产环境中，可以直接安装构建好的wheel包或从源码安装：
+
+```bash
+# 从源码安装基本版本
+pip install .
+
+# 或安装预构建的wheel包
+pip install dist/cifar100-0.2.0-py3-none-any.whl
+```
+
+### 运行训练
+
+确保已安装Python 3.13或更高版本，安装完成后，运行训练脚本：
+
+```bash
+python main.py
+```
+
+详细的打包和安装指南请参考 [PACKAGING_GUIDE.md](PACKAGING_GUIDE.md) 文件。
+
+## 模型保存
+每20个epoch会保存一次模型权重，文件格式为：`wrn34_10_epoch_{epoch}.pth`
+
+## 注意事项
+- 首次运行时会自动下载CIFAR100数据集到`./data`目录
+- 训练过程中会打印每个epoch的训练损失、训练准确率、测试损失和测试准确率
+- 如需调整参数，请修改`main()`函数中的相应变量
+
+## 模块说明
+1. **data.py**: 包含数据加载、预处理和增强的相关功能
+2. **model.py**: 定义了Block和WideResNet模型结构
+3. **trainer.py**: 实现了训练、评估和模型保存的功能
+4. **main.py**: 项目的入口点，整合各个模块并启动训练过程

src/cifar100.egg-info/SOURCES.txt

@@ -0,0 +1,14 @@
+LICENSE
+README.md
+pyproject.toml
+src/cifar100/__init__.py
+src/cifar100/config.py
+src/cifar100/data.py
+src/cifar100/model.py
+src/cifar100/trainer.py
+src/cifar100/visualizer.py
+src/cifar100.egg-info/PKG-INFO
+src/cifar100.egg-info/SOURCES.txt
+src/cifar100.egg-info/dependency_links.txt
+src/cifar100.egg-info/requires.txt
+src/cifar100.egg-info/top_level.txt

src/cifar100.egg-info/dependency_links.txt

@@ -0,0 +1 @@
+

src/cifar100.egg-info/requires.txt

@@ -0,0 +1,4 @@
+matplotlib>=3.10.7
+numpy>=2.3.3
+torch>=2.8.0
+torchvision>=0.23.0

src/cifar100.egg-info/top_level.txt

@@ -0,0 +1 @@
+cifar100