VX:13225601016 获取源码和数据集

实验环境：

硬件环境:CPU i7-6500U,GPU GTX950M

软件环境:python3.7,torch 1.7.0+cu101

实验步骤：

1.训练

数据集

将训练集文件夹train和验证集文件夹val加入到我的训练文件夹mytrain内。测试集文件夹test和我的训练集文件夹mytrain在同一工作目录下。如图1。

图1数据集

训练集和验证集数据加载

在训练数据集下，每种表情的图片均存储在其标签为目录的文件夹下。在这里可以使用torchvision.datasets.ImageFolder()方法来加载这种组织方式的数据集。如图2。验证集组织形式同训练集，数据加载方式相同。

图2训练集的组织形式

data_dir = './mytrain'data_transforms = transforms.Compose([transforms.ToTensor(),transforms.Grayscale(num_output_channels=1)])#数据加载成tensor,加载灰度图像train_dataset = torchvision.datasets.ImageFolder(root = os.path.join(data_dir, 'train'), transform = data_transforms)val_dataset = torchvision.datasets.ImageFolder(root = os.path.join(data_dir, 'val'), transform = data_transforms)train_dataloader = DataLoader(dataset=train_dataset, batch_size=128, shuffle=True)val_dataloader = DataLoader(dataset=val_dataset, batch_size=128, shuffle=True)

卷积神经网络的定义

使用卷积神经网络对数据集进行训练。卷积层分为三层，输入图像每一层均以3*3卷积核进行训练，每次经过卷积操作后进行归一化，通过激活函数后在进行下采样。线性层将卷积层得到的输出作为输入，输出向量的维度等于类别数目7。网络结构如图3。

图3 网络结构图

# 参数初始化def gaussian_weights_init(m):classname = m.__class__.__name__# 字符串查找find，找不到返回-1，不等-1即字符串中含有该字符if classname.find('Conv') != -1:m.weight.data.normal_(0.0, 0.04)class CNN(nn.Module):# 初始化网络结构def __init__(self):super(CNN, self).__init__()# 第一次卷积、池化self.conv1 = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=64, kernel_size=3, stride=1, padding=1), # 卷积层nn.BatchNorm2d(num_features=64), # 归一化nn.RReLU(inplace=True), # 激活函数nn.MaxPool2d(kernel_size=2, stride=2), # 最大值池化)# 第二次卷积、池化self.conv2 = nn.Sequential(nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),nn.BatchNorm2d(num_features=128),nn.RReLU(inplace=True),nn.MaxPool2d(kernel_size=2, stride=2),)# 第三次卷积、池化self.conv3 = nn.Sequential(nn.Conv2d(in_channels=128, out_channels=256, kernel_size=3, stride=1, padding=1),nn.BatchNorm2d(num_features=256),nn.RReLU(inplace=True),nn.MaxPool2d(kernel_size=2, stride=2),)# 参数初始化self.conv1.apply(gaussian_weights_init)self.conv2.apply(gaussian_weights_init)self.conv3.apply(gaussian_weights_init)# 全连接层self.fc = nn.Sequential(nn.Dropout(p=0.2),nn.Linear(in_features=256 * 6 * 6, out_features=4096),nn.RReLU(inplace=True),nn.Dropout(p=0.5),nn.Linear(in_features=4096, out_features=1024),nn.RReLU(inplace=True),nn.Linear(in_features=1024, out_features=256),nn.RReLU(inplace=True),nn.Linear(in_features=256, out_features=7),)# 前向传播def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = self.conv3(x)# 数据扁平化x = x.view(x.shape[0], -1)y = self.fc(x)return y

网络的训练

训练步骤一共有100个epoch。batch_size=512。损失函数使用交叉熵损失函数，使用Adam方法对学习率进行优化。每进行5个epoch,分别在训练集和验证集上进行验证，将验证集上正确率大于先前正确率的model进行存储。

def train(train_dataset, val_dataset, batch_size, epochs, learning_rate, wt_decay):train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)val_loader = DataLoader(dataset=val_dataset, batch_size=batch_size, shuffle=True)model = CNN().to(device)loss_function = nn.CrossEntropyLoss().to(device)optimizer = optim.Adam(model.parameters(), lr=learning_rate, weight_decay=wt_decay)# scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.8)max_acc = 0for epoch in range(epochs):loss_rate = 0model.train() # 模型训练for images, labels in train_loader:images = images.to(device)labels = labels.to(device)optimizer.zero_grad()output = model.forward(images)loss_rate = loss_function(output, labels)loss_rate.backward()optimizer.step()print('After {} epochs , the loss_rate is : '.format(epoch + 1), loss_rate.item())with SummaryWriter(comment='mynet') as w:#tensorboard --logdir C:\Users\29290\Desktop\2020CV表情识别实验\runsw.add_scalar('scalar/train',loss.item(),epoch+1)w.add_graph(net,inputs)if epoch % 5 == 0:model.eval() # 模型评估acc_train = validate(model, train_dataset, batch_size)acc_val = validate(model, val_dataset, batch_size)print('After {} epochs , the acc_train is : '.format(epoch + 1), acc_train)print('After {} epochs , the acc_val is : '.format(epoch + 1), acc_val)if acc_val > max_acc:max_acc = acc_valtorch.save(model.state_dict(),'model.pth')

main函数

def main():data_dir = './mytrain'data_transforms = transforms.Compose([transforms.ToTensor(),transforms.Grayscale(num_output_channels=1)])train_dataset = torchvision.datasets.ImageFolder(root = os.path.join(data_dir, 'train'), transform = data_transforms)val_dataset = torchvision.datasets.ImageFolder(root = os.path.join(data_dir, 'val'), transform = data_transforms)train(train_dataset, val_dataset, batch_size = 512, epochs=150, learning_rate=0.001, wt_decay=0)

2.测试

数据加载

测试集文件组织形式与训练集，验证集不同如图4。因此需要自定义数据加载。

图4 测试数据集

class Dataset(data.Dataset):# 初始化def __init__(self, root, transform):super(Dataset, self).__init__()self.root = rootself.files = os.listdir(self.root)self.transform = transformdef __getitem__(self, index):# 获取数据集样本个数img = Image.open(os.path.join(self.root,self.files[index]))img = self.transform(img)return imgdef __len__(self):return len(self.files)

定义测试函数

def test(model, dataset, batch_size):test_loader = data.DataLoader(dataset, batch_size)predict = []for images in test_loader:images = images.to(device)pred = model.forward(images)pred = np.argmax(pred.data.cpu().numpy(), axis=1)predict.extend(list(pred))return predict

main函数

将预测值对应的label写入prediction.csv。

def main():data_dir = './test'label_list = ['angry', 'disgust', 'fear', 'happy', 'neutral', 'sad', 'surprise']data_transforms = transforms.Compose([transforms.Grayscale(num_output_channels=1),transforms.ToTensor()])test_dataset = Dataset(data_dir ,data_transforms)test_loader = torch.utils.data.DataLoader(test_dataset,batch_size=8)model = torch.load('model_MyNet.pkl')predict = test(model, test_dataset, 128)predict_label = [label_list[i] for i in predict]image = list(os.listdir(data_dir))df = pd.DataFrame({'image':image,'lable':predict_label})df.to_csv('prediction.csv', index=False)

实验结果：

实验在训练集上准确率可以达到99%，而在验证集上只能达到57%。实验将loss,train_acc,val_acc进行可视化，如图5.

图5 网络损失和正确率曲线

import numpy as npimport matplotlib.pyplot as pltloss = np.load('loss.npy')epoch1 = np.arange(len(loss))train_acc = np.load('train_acc.npy')val_acc = np.load('val_acc.npy')epoch2 = 5*np.arange(len(train_acc))plt.plot(epoch1, loss, label='loss')plt.plot(epoch2, train_acc, label='train_acc')plt.plot(epoch2, val_acc, label='val_acc')plt.xlabel('epoch')plt.ylabel('loss')plt.legend()plt.show()

PyTorch 表情识别相关推荐

使用OpenVINO加速Pytorch表情识别模型
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达关于模型 OpenVINO自带的表情识别模型是Caffe版本的,这 ...
深度学习项目，使用python进行表情识别，pytorch应用
文章目录前言一.深度学习是什么? 二.数据的预处理 1.数据分类 2.代码三.构建模型与训练 1.模型与代码 2.使用方法四.实时识别总结前言这个项目是以前课设用到的功能之一,参考了其他 ...
使用Unity的Barracuda和Pytorch实现表情识别
Barracuda官方文档https://docs.unity3d.com/Packages/com.unity.barracuda@1.0/manual/index.html 表情识别算法来源htt ...
面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)
面部表情识别2:Pytorch实现表情识别(含表情识别数据集和训练代码) 目录面部表情识别2:Pytorch实现表情识别(含表情识别数据集和训练代码) 1.面部表情识别方法 2.面部表情识别数据集 ...
Pytorch训练表情识别之笑脸识别
Pytorch训练表情识别之笑脸识别一.数据下载首先是数据下载,话不多说,直接上百度云链接,这是一个只有笑脸和无表情的数据集: 链接:https://pan.baidu.com/s/11K1C6n ...
【项目实战课】AI零基础，人人免费可学！基于Pytorch的SimpleNet人脸表情识别实战...
欢迎大家来到我们的项目实战课,本期内容是<基于SimpleNet的人脸表情识别实战>,本次内容面向任意AI基础的读者,人人皆可免费学习. 所谓项目实战课,就是以简单的原理回顾+详细的项目实 ...
affectnet数据集_处理表情识别中的坏数据：一篇CVPR 2020及两篇TIP的解读
机器之心分析师网络作者:周宇编辑:Joni Zhong 本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Fac ...
UWP通过机器学习加载ONNX进行表情识别
首先我们先来说说这个ONNX ONNX是一种针对机器学习所设计的开放式的文件格式,用于存储训练好的模型.它使得不同的人工智能框架(如Pytorch, MXNet)可以采用相同格式存储模型数据并交互. ...
高精度人脸表情识别（附GitHub地址）
编者按:本文原作者吴捷,目前于中山大学就读研究生.研究领域为计算机视觉与自然语言处理.本文原载于知乎,经作者授权发布.欢迎去GitHub给大佬加星. 先放出GitHub地址: https://gith ...
课堂考试作弊检测系统，情绪识别、表情识别和人脸识别结合
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 智慧教室课堂专注度及考试作弊系统.课堂动态点名,情绪识别.表情识别和人脸识别结合课堂专注度 ...

PyTorch 表情识别

VX:13225601016 获取源码和数据集

实验环境：

实验步骤：

1.训练

数据集

训练集和验证集数据加载

卷积神经网络的定义

网络的训练

main函数

2.测试

数据加载

定义测试函数

main函数

实验结果：

PyTorch 表情识别相关推荐

最新文章

热门文章