分类器任务和数据介绍

·构建一个将不同图像进行分类的神经网络分类器，对输入的的图片进行判别并完成分类。

·本案例采用CIFAR10数据集作为原始图片数据

·CIFAR10数据集介绍：数据集中每张图片的尺寸是3*32*32，代表彩色3通道

·CIFAR10数据集共有10种不同的分类，分别是"airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck".

·CIFAR10数据集的样例如下图所示

训练分类器的步骤

·1：使用torchvision下载CIFAR10数据集

·2：定义卷积神经网络

·3：定义损失函数

·4：在训练集上训练模型

·5：在测试集上测试模型

·1：使用torchvision下载CIFAR10数据集

·导入torchvision包来辅助下载数据集

import torch
import torchvision
import torchvision.transforms as transforms

·下载数据集并对图片进行调整，因为torchvision数据集输出的是PILImage格式，数据域在[0,1].我们将其转换为标准数据域[-1,1]的张量格式

import torch
import torchvision
import torchvision.transforms as transformstransform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship','truck')

·输出结果

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data\cifar-10-python.tar.gz
170499072it [15:21, 185017.90it/s]
Extracting ./data\cifar-10-python.tar.gz to ./data
Files already downloaded and verified

·如果是在Windows系统下运行上述代码，并且出现报错信息"brokenpipeerror",可以尝试将torch.utils.data.DataLoader()中的num_workers设置为0。

·展示若干训练集的图片

·输出图片结果

输出标签结果

 deer horse  bird   cat

·2：定义卷积神经网络

·仿照Pytorch神经网络中的类来构造此处的类，唯一的区别是此处采用3通道3-channel

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5)self.pool = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(6, 16, 5)self.fc1 = nn.Linear(16 * 5 * 5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):x = self.pool(F.relu(self.conv1(x)))x = self.pool(F.relu(self.conv2(x)))x = x.view(-1, 16 * 5 * 5)x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xnet = Net()
print(net)

·输出结果

Net((conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(fc1): Linear(in_features=400, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True)
)

·3：定义损失函数

·采用交叉熵损失函数和随机梯度下降优化器

import torch.optim as optimcriterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

·4：在训练集上训练模型

·采用基于梯度下降的优化算法，都需要很多个轮次的迭代训练。

import torch.optim as optimcriterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)for epoch in range(2):  # loop over the dataset multiple timesrunning_loss = 0.0for i, data in enumerate(trainloader, 0):  # data中包含输入图像张量inputs,张量标签labelsinputs, labels = data# 首先将优化器梯度归零optimizer.zero_grad()# 输入图像张量进网络，得到输出张量outputs#X = torch.Tensor(trainset)#Y = torch.Tensor(labels)#train_dataset = trainset(X, Y)#train_loader = trainloader(dataset=train_dataset,# batch_size=1,#shuffle=True)# num_workers = 2)outputs = net(inputs)# 利用网络的输出outputs和标签labels计算损失值loss = criterion(outputs, labels)# 反向传播+参数更新，是标准代码的标准流程loss.backward()optimizer.step()# 打印轮次和损失值running_loss += loss.item()if (i + 1) % 2000 == 0:print('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0
print('Finished Training')

·输出结果

[1,  2000] loss: 2.164
[1,  4000] loss: 1.833
[1,  6000] loss: 1.654
[1,  8000] loss: 1.558
[1, 10000] loss: 1.516
[1, 12000] loss: 1.465
[2,  2000] loss: 1.393
[2,  4000] loss: 1.381
[2,  6000] loss: 1.340
[2,  8000] loss: 1.283
[2, 10000] loss: 1.276
[2, 12000] loss: 1.285
Finished Training

·保存模型

#首先设定模型的保存路径
PATH = './cifar_net.pth'
#保存模型的状态字典
torch.save(net.state_dict(), PATH)

·5：在测试集上测试模型

·第一步，展示测试集中的若干图片

dataiter = iter(testloader)
images, labels = dataiter.next()
#打印原始图片
imshow(torchvision.utils.make_grid(images))
#打印真实的标签
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

·输出图片结果：

·输出标签结果

GroundTruth:    cat  ship  ship plane

·第二步，加载模型并对测试图片进行预测

dataiter = iter(testloader)
images, labels = dataiter.next()
# 打印原始图片
imshow(torchvision.utils.make_grid(images))
# 打印真实的标签
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
# 首先实例化模型的类的对象
net = Net()
# 加载训练阶段保存好的模型的状态字典
net.load_state_dict(torch.load(PATH))
# 利用模型对图片进行预测
outputs = net(images)
# 共有十个类别，采用模型计算出的概率最大的作为预测的类别
_, predicted = torch.max(outputs, 1)
# 打印预测标签的结果
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))

·输出结果

Predicted:    cat   car   car  ship

·接下来看一下在全部测试集上的表现

correct = 0
total = 0
with torch.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))

·输出结果

Accuracy of the network on the 10000 test images: 55 %

·分析结果：对于拥有10个类别的数据集，随机猜测的准确率是10%，模型达到了53%，说明模型学到了真实的东西。

·为了更细致的看一下模型在哪些类上表现得更好，在哪些类上表现得更差，我们分类别的进行准确率的计算

class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predicted = torch.max(outputs, 1)c = (predicted == labels).squeeze()for i in range(4):label = labels[i]class_correct[label] += c[i].item()class_total[label] += 1
for i in range(10):print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_total[i] / class_total[i]))

·输出结果

Accuracy of plane : 100 %
Accuracy of   car : 100 %
Accuracy of  bird : 100 %
Accuracy of   cat : 100 %
Accuracy of  deer : 100 %
Accuracy of   dog : 100 %
Accuracy of  frog : 100 %
Accuracy of horse : 100 %
Accuracy of  ship : 100 %
Accuracy of truck : 100 %

在GPU上训练模型

·为了真正利用Pytorch中Tensor的优秀属性，加速模型的训练，我们可以将训练过程转移到GPUY上进行。

·首先要定义设备，如果CUDA是可用的则被定义成GPU，否则被定义成CPU。

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)

·输出结果

cuda:0

·当训练模型的时候，只需要将模型转移到GPU上，同时将输入的图片和标签页转移到GPU上即可。

#将模型转移到GPU上
net.to(device)#将输入的图片张量和标签张量转移到GPU上
inputs, labels = data[0].to(device), data[1].to(device)

总结

·分类器的任务和数据样式

·将不同图像进行分类的神经网络分类器，对输入的图片进行判别并完成分类。

·采用CIFAR10数据集作为原始图片数据，CIFAR10数据集拥有10个类别的3*32*32彩色图片。

·训练分类器的步骤:

·使用torchviosion下载CIFAR10数据集

·定义卷积神经网络

·定义损失函数

·在训练集上训练模型

·在测试集上测试模型

·在GPU上训练模型

·首先定义设备，GPU和CPU二选一：

·device=torch.device("cuda:0"if torch.cude.is_available() else "cpu")

·然后将模型转移到GPU上去：

·net.to(device)

·最后在迭代训练的过程中，每一步都将图片和标签张量转移到GPU上去：

·inputs,labels=data[0].to(device),data[1].to(device)

使用Pytorch构建一个分类器(CIFAR10模型)相关推荐

PyTorch学习系列教程：构建一个深度学习模型需要哪几步？
导读继续PyTorch学习系列.前篇介绍了PyTorch中最为基础也最为核心的数据结构--Tensor,有了这些基本概念即可开始深度学习实践了.本篇围绕这一话题,本着提纲挈领删繁就简的原则,从宏观上 ...
Pytorch实现一个简单分类模型
Pytorch实现一个简单分类模型在本小节主要带领大家学习分类任务的代码编写,另外,本人参考的学习资料为[莫烦Python],有兴趣观看视频的同学可以观看视频资料https://www.youtub ...
用Pytorch构建一个喵咪识别模型
本文参加新星计划人工智能(Pytorch)赛道:https://bbs.csdn.net/topics/613989052 目录一.前言二.问题阐述及理论流程 2.1问题阐述 2.2猫咪图片识别原 ...
C++调用Python文件，TensorFlow和PyTorch构建的深度学习模型，无法使用GPU的情况分析。
C++调用Python深度学习模型,包含TensorFlow和PyTorch等构造的模型,然后使用GPU出现问题.包含C++调用Python函数,C++加载模型到GPU,GPU内存占用过大,计算完毕内 ...
使用pytorch构建图片分类器
分类器任务和数据介绍构造一个将不同图像进行分类的神经网络分类器, 对输入的图片进行判别并完成分类. 本案例采用CIFAR10数据集作为原始图片数据. CIFAR10数据集介绍: 数据集中每张图片的尺 ...
使用pytorch构建一个神经网络、损失函数、反向传播、更新网络参数
关于torch.nn: 使用Pytorch来构建神经网络, 主要的工具都在torch.nn包中. nn依赖于autograd来定义模型, 并对其自动求导. 构建神经网络的典型流程: 定义一个拥有可学习 ...
python实现目标检测_由浅入深：教你如何构建一个行人目标检测模型（Python）
摘要: 零基础也能构建一个目标检测(对象检测)模型?小编教你使用Image AI库从头开始构建一个行人检测模型. 当我们看到一张图片时,我们的大脑会立即识别图片中所包含的物体.而对于机器来说,识别这些 ...
PyTorch框架学习十九——模型加载与保存
PyTorch框架学习十九--模型加载与保存一.序列化与反序列化二.PyTorch中的序列化与反序列化 1.torch.save 2.torch.load 三.模型的保存 1.方法一:保存整个Mo ...
使用 HSV 颜色模型和 openCV 构建昼夜分类器
在本文中,我们将学习如何构建一个简单的模型,它使用色调饱和度值 (HSV) 颜色模型作为特征提取,opencv 进行图像处理的基础来对白天和黑夜进行分类.本教程的代码可在此处获得,https://gi ...

使用Pytorch构建一个分类器(CIFAR10模型)

分类器任务和数据介绍

训练分类器的步骤

在GPU上训练模型

总结

使用Pytorch构建一个分类器(CIFAR10模型)相关推荐

最新文章

热门文章