深度学习之经典案例 CIFAR10 图形识别（jupyter）

图像识别：CIFAR10图形识别

1.CIFAR10数据集共有60000张彩色图像，这些图像式32*32*3，分为10个类，每个类6000张

2.这里面有50000张用于训练，构成5个训练批，每一批10000张图；另外10000张用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。

3.一个训练批中的各类图像并不一定数量相同，总的来看训练集，每一类都有5000张图片

代码如下：与官网代码不一致

# 导入包
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms,datasets

 # 设置transforms
transform = transforms.Compose([transforms.ToTensor(), # numpy -> Tensortransforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))  # 归一化 ，范围[-1,1]
])

 # 下载训练数据集
# 训练集
trainset = datasets.CIFAR10(root='./CIFAR10',train=True,download=True,transform=transform)
# 测试集
testset = datasets.CIFAR10(root='./CIFAR10',train=False,download=True,transform=transform)

出现如下图结果数据集下载成功

# 批量获取数据
from torch.utils.data.dataloader import DataLoaderBATCH_SIZE = 32train_loader = DataLoader(trainset,batch_size=BATCH_SIZE,shuffle=True,num_workers=8,pin_memory=True)test_loader = DataLoader(testset,batch_size=BATCH_SIZE,shuffle=True,num_workers=8,pin_memory=True)

注意：其中BATCH_SIZE = 32 中的32 可以根据自己电脑配置来定，配置高可以定128 低可以定16

# 可视化显示
import matplotlib.pyplot as plt
import numpy as np# 十个类别
classes = ('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')def imshow(img):img = img / 2 + 0.5 # 逆正则化np_img = img.numpy()  # tensor --> numpyplt.imshow(np.transpose(np_img,(1,2,0)))  # 改变通道顺序plt.show()# 随机获取一批数据
imgs,labs = next(iter(train_loader))print(imgs.shape)
print(labs.shape)#调用方法
imshow(torchvision.utils.make_grid(imgs))# 输出这批图片对应的标签
print(' '.join('%5s' % classes[labs[i]] for i in range(BATCH_SIZE)))

结果如下：

其中

torch.Size([32, 3, 32, 32])
torch.Size([32])

中32代表32张图片，3代表3个通道，32代表像素

# 定义网络模型
import torch.nn as nn
import torch.nn.functional as F'''
知识点：
1.特征图尺寸的计算公式为：[(原图片尺寸 = 卷积核尺寸) / 步长] + 1
'''
class Net(nn.Module):def __init__(self):super(Net,self).__init__()# 卷积层1.输入是32*32*3，计算（32-5）/ 1 + 1 = 28，那么通过conv1输出的结果是28*28*6self.conv1 = nn.Conv2d(3,6,5)  # imput:3 output:6, kernel:5# 池化层， 输入时28*28*6， 窗口2*2，计算28 / 2 = 14，那么通过max_poll层输出的结果是14*14*6self.pool = nn.MaxPool2d(2,2) # kernel:2 stride:2# 卷积层2， 输入是14*14*6，计算（14-5）/ 1 + 1 = 10，那么通过conv2输出的结果是10*10*16self.conv2 = nn.Conv2d(6,16,5) # imput:6 output:16, kernel:5# 全连接层1self.fc1 = nn.Linear(16*5*5, 120)  # input：16*5*5，output：120# 全连接层2self.fc2 = nn.Linear(120, 84)  # input：120，output：84# 全连接层3self.fc3 = nn.Linear(84, 10)  # input：84，output：10def forward(self,x):# 卷积1'''32x32x3 --> 28x28x6 -->14x14x6'''x = self.pool(F.relu(self.conv1(x)))# 卷积2'''14x14x6 --> 10x10x16 --> 5x5x16'''x = self.pool(F.relu(self.conv2(x)))# 改变shapex = x.view(-1,16*5*5)# 全连接层1x = F.relu(self.fc1(x))# 全连接层2x = F.relu(self.fc2(x))# 全连接层3x = self.fc3(x)return x

注意：__init__这一块下划线要注意，按理说只要将模型定义到__init__()里就ok了，但是大家容易少打一个下划线会报错，将下划线_改为__即可解决问题。

# 创建模型
net = Net().to('cuda')

电脑有GPU的话这一步是部署到CUDA上运行调用GPU，这一步容易出现下图问题，

这时候多运行几次，代码是没有问题的，应为JUPYTER是在网页上运行，需要时间反应，多运行几次

如果出现以下问题：

注意Linear中的L要大写

# 定义优化器和损失函数
import torch.optim as optimcriterion = nn.CrossEntropyLoss()  # 交叉式损失函数optimizer = optim.SGD(net.parameters(),lr=0.001,momentum=0.9)  # 优化器

# 定义函数
EPOCHS = 200for epoch in range(EPOCHS):train_loss = 0.0for i, (datas,labels) in enumerate(train_loader):datas,labels = datas.to('cuda'),labels.to('cuda')# 梯度置零optimizer.zero_grad()# 训练outputs = net(datas)# 计算损失loss = criterion(outputs,labels)# 反向传播loss.backward()# 参数更新optimizer.step()# 累计损失train_loss += loss.item()# 打印信息print(epoch+1, i+1,train_loss/len(train_loader.dataset))

循环次数可以自己设置，这里设置为200轮，for循环读取训练集

输出结果如下：

（可以参考网上其他输出格式）

# 测试
correct = 0
total = 0
# flag=True
with torch.no_grad():for i , (datas,labels) in enumerate(test_loader):# 输出outputs = model(datas) # outputs.data,shape --> torch.Size([128,10])_, predicted = torch.max(outputs.data, dim=1)  # 第一个是值得张量，第二个是序号张量# 累计数据值total += labels.size(0)  # labels.size() --> torch.Size([128]) , labels.size(0) --> 128# 比较有多少个预测正确correct += (predicted == labels).sum()  # 相同为1，不同为0，利用sum()总求和print("在1000张测试集图片上的准确率：{:.3f}%".format(torch.true_divide(correct,total))

# 显示每一类预测的概率
class_correct = list(0. for i in range(10))
total = list(0. for i in range(10))with torch.no_grad():for (images,labels) in test_loader:outputs = model(images)  # 输出_,predicted = torch.max(outputs,dim=1)  # 获取到每一行的最大索引c = (predicted ==labels).squeeze()  # squeeze() 去掉0维【默认】，unsqueeze() 增加一维if labels.shape[0]  == 128:for i in range(BATCH_SIZE):label = labels[i] # 获取每一个labelclass_correct[label] += c[i].item()  # 累计维True都个数，注意：1 + True = 2，1 + False = 1total[label]  += 1 # 该类总的个数# 输出正确率
for i in range(10):print("正确率 : %5s : $2d %%" % (classes[i],100 * class_correct[i] / total[i])

参考视频：07-02 经典案例 CIFAR10 图像识别【个人实现】_哔哩哔哩_bilibili

深度学习之经典案例 CIFAR10 图形识别（jupyter）相关推荐

免费教材丨第56期：《深度学习导论及案例分析》、《谷歌黑板报-数学之美》
小编说离春节更近了! 本期教材本期为大家发放的教材为:<深度学习导论及案例分析>.<谷歌黑板报-数学之美>两本书,大家可以根据自己的需要阅读哦! < ...
《深度学习导论及案例分析》一2.11概率图模型的推理
本节书摘来自华章出版社<深度学习导论及案例分析>一书中的第2章,第2.11节,作者李玉鑑张婷,更多章节内容可以访问云栖社区"华章计算机"公众号查看. 2.11概率图模 ...
学习=拟合？深度学习和经典统计学是一回事吗？
来源:PaperWeekly.机器之心本文大约8700字,建议阅读20分钟本文介绍了理论计算机科学家.哈佛大学知名教授 Boaz Barak 详细比较了深度学习与经典统计学的差异. 深度学习和简单 ...
【深度学习】深度学习和经典统计学是一回事？
器之心编译编辑:rome rome 深度学习和简单的统计学是一回事吗?很多人可能都有这个疑问,毕竟二者连术语都有很多相似的地方.在这篇文章中,理论计算机科学家.哈佛大学知名教授 Boaz Barak ...
【深度学习】Pytorch实现CIFAR10图像分类任务测试集准确率达95%
文章目录前言 CIFAR10简介 Backbone选择训练+测试训练环境及超参设置完整代码部分测试结果完整工程文件 Reference 前言分享一下本人去年入门深度学习时,在CIFAR1 ...
干货丨深度学习和经典机器学习的全方位对比
本文将对比深度学习和经典机器学习,分别介绍这两种技术的优缺点以及它们在哪些问题如何得到最佳使用. 深度学习已成为大多数AI问题的首选技术,使得经典机器学习相形见绌.但是,尽管深度学习有很好的性能,经 ...
基于人工智能深度学习和经典算法的药物设计软件MolAICal
使用MolAICal进行药物设计 MolAICal简介 MolAICal 教程 MolAICal开发版(Development version)教程 MolAICal简介 MolAICal可以通过人工 ...
深度学习之LSTM案例分析（三）
#背景来自GitHub上<tensorflow_cookbook>[https://github.com/nfmcclure/tensorflow_cookbook/tree/maste ...
《深度学习导论及案例分析》一导读
PREFACE 前言 "深度学习"一词大家已经不陌生了,随着在不同领域取得了超越其他方法的成功,深度学习在学术界和工业界掀起了一次神经网络发展史上的新浪潮.运用深度学习解决实际问题 ...

深度学习之经典案例 CIFAR10 图形识别（jupyter）

深度学习之经典案例 CIFAR10 图形识别（jupyter）相关推荐

最新文章

热门文章