简介

Cats vs. Dogs（猫狗大战）是Kaggle大数据竞赛某一年的一道赛题，利用给定的数据集，用算法实现猫和狗的识别。我们希望通过对计算机进行大量的图片训练，使计算机可以学习识别到猫、狗的特征，最终可以对大量的未知图片进行分类。这就涉及到计算机视觉中的图像分类问题。图像分类，计算机视觉研究领域之一，计算机通过学习图像本身的特征将不同类别的图像区分开来。
本次实验我选择使用VGG模型进行。

代码运行

载入头文件以及分配GPU设备

import numpy as np
import matplotlib.pyplot as plt
import os
import torch
import torch.nn as nn
import torchvision
from torchvision import models,transforms,datasets
import time
import json# 判断是否存在GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('Using gpu: %s ' % torch.cuda.is_available())

下载数据

! wget http://fenggao-image.stor.sinaapp.com/dogscats.zip
! unzip dogscats.zip

加载数据并进行图片裁剪、归一化等处理

#对图像标准化，加速模型收敛
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])vgg_format = transforms.Compose([transforms.CenterCrop(224),transforms.ToTensor(),normalize,])data_dir = './dogscats'dsets = {x: datasets.ImageFolder(os.path.join(data_dir, x), vgg_format)for x in ['train', 'valid']}dset_sizes = {x: len(dsets[x]) for x in ['train', 'valid']}
dset_classes = dsets['train'].classes
loader_train = torch.utils.data.DataLoader(dsets['train'], batch_size=64, shuffle=True, num_workers=6)
loader_valid = torch.utils.data.DataLoader(dsets['valid'], batch_size=5, shuffle=False, num_workers=6)'''
valid 数据一共有2000张图，每个batch是5张，因此，下面进行遍历一共会输出到 400
同时，把第一个 batch 保存到 inputs_try, labels_try，分别查看
'''
count = 1
for data in loader_valid:print(count, end='\n')if count == 1:inputs_try,labels_try = datacount +=1print(labels_try)
print(inputs_try.shape)

下载 ImageNet 1000 个类的 JSON 文件，并对VGG预模型的效果进行测试

!wget https://s3.amazonaws.com/deep-learning-models/image-models/imagenet_class_index.json
model_vgg = models.vgg16(pretrained=True)with open('./imagenet_class_index.json') as f:class_dict = json.load(f)
dic_imagenet = [class_dict[str(i)][1] for i in range(len(class_dict))]inputs_try , labels_try = inputs_try.to(device), labels_try.to(device)
model_vgg = model_vgg.to(device)outputs_try = model_vgg(inputs_try)print(outputs_try)
print(outputs_try.shape)'''
可以看到结果为5行，1000列的数据，每一列代表对每一种目标识别的结果。
但是我也可以观察到，结果非常奇葩，有负数，有正数，
为了将VGG网络输出的结果转化为对每一类的预测概率，我们把结果输入到 Softmax 函数
'''
m_softm = nn.Softmax(dim=1)
probs = m_softm(outputs_try)
vals_try,pred_try = torch.max(probs,dim=1)print( 'prob sum: ', torch.sum(probs,1))
print( 'vals_try: ', vals_try)
print( 'pred_try: ', pred_try)print([dic_imagenet[i] for i in pred_try.data])
imshow(torchvision.utils.make_grid(inputs_try.data.cpu()), title=[dset_classes[x] for x in labels_try.data.cpu()])

修改模型
我们的目标是使用预训练好的模型，因此，需要把最后的 nn.Linear 层由1000类，替换为2类。为了在训练中冻结前面层的参数，需要设置 required_grad=False。这样，反向传播训练梯度时，前面层的权重就不会自动更新了。训练中，只会更新最后一层的参数。

print(model_vgg)model_vgg_new = model_vgg;for param in model_vgg_new.parameters():param.requires_grad = False
model_vgg_new.classifier._modules['6'] = nn.Linear(4096, 2)
model_vgg_new.classifier._modules['7'] = torch.nn.LogSoftmax(dim = 1)model_vgg_new = model_vgg_new.to(device)print(model_vgg_new.classifier)

训练模型

from tqdm import trange,tqdm
'''
第一步：创建损失函数和优化器损失函数 NLLLoss() 的 输入 是一个对数概率向量和一个目标标签.
它不会为我们计算对数概率，适合最后一层是log_softmax()的网络.
'''
criterion = nn.NLLLoss()# 学习率
lr = 0.001# 随机梯度下降
optimizer_vgg = torch.optim.SGD(model_vgg_new.classifier[6].parameters(),lr = lr)'''
第二步：训练模型
'''def train_model(model,dataloader,size,epochs=100,optimizer=None):model.train()for epoch in range(epochs):running_loss = 0.0running_corrects = 0max_a = 0count = 0for inputs,classes in dataloader:inputs = inputs.to(device)classes = classes.to(device)outputs = model(inputs)loss = criterion(outputs,classes)           optimizer = optimizeroptimizer.zero_grad()loss.backward()optimizer.step()_,preds = torch.max(outputs.data,1)# statisticsrunning_loss += loss.data.item()running_corrects += torch.sum(preds == classes.data)count += len(inputs)print('Training: No. ', count, ' process ... total: ', size)epoch_loss = running_loss / sizeepoch_acc = running_corrects.data.item() / sizeif epoch_acc>max_a:max_a = epoch_acctorch.save(model, '/content/drive/My Drive/model_best_new.pth')tqdm.write("\n Got A Nice Model Acc:{:.8f}".format(max_a))tqdm.write('\nepoch: {} \tLoss: {:.8f} Acc: {:.8f}'.format(epoch,epoch_loss, epoch_acc))time.sleep(0.1)print('Loss: {:.4f} Acc: {:.4f}'.format(epoch_loss, epoch_acc))torch.save(model, '/content/drive/My Drive/model_last_new.pth')tqdm.write("Got A Nice Model")# 模型训练
train_model(model_vgg_new,loader_train,size=dset_sizes['train'], epochs=100, optimizer=optimizer_vgg)

我对模型进行了修改，修改点：

把epochs修改为100
每一个epoch结束，都会计算loss 和acc，然后把acc最高的那一时刻的model覆盖保留

训练结果

创建测试模型并使用测试集进行测试

def test_model(model,dataloader,size):model.eval()predictions = np.zeros(size)all_classes = np.zeros(size)all_proba = np.zeros((size,2))i = 0running_loss = 0.0running_corrects = 0for inputs,classes in dataloader:inputs = inputs.to(device)classes = classes.to(device)outputs = model(inputs)loss = criterion(outputs,classes)           _,preds = torch.max(outputs.data,1)# statisticsrunning_loss += loss.data.item()running_corrects += torch.sum(preds == classes.data)predictions[i:i+len(classes)] = preds.to('cpu').numpy()all_classes[i:i+len(classes)] = classes.to('cpu').numpy()all_proba[i:i+len(classes),:] = outputs.data.to('cpu').numpy()i += len(classes)print('Testing: No. ', i, ' process ... total: ', size)        epoch_loss = running_loss / sizeepoch_acc = running_corrects.data.item() / sizeprint('Loss: {:.4f} Acc: {:.4f}'.format(epoch_loss, epoch_acc))return predictions, all_proba, all_classespredictions, all_proba, all_classes = test_model(model_vgg_new,loader_valid,size=dset_sizes['valid'])

测试结果

AI研习社测试

加载测试研习社测试数据对模型进行测试

import torch
import numpy as np
from torchvision import transforms,datasets
from tqdm import tqdm
device = torch.device("cuda:0" )
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
vgg_format = transforms.Compose([transforms.CenterCrop(224),transforms.ToTensor(),normalize,])#注意这里，我的数据在yanxishe这个文件夹里
dsets_mine = datasets.ImageFolder(r"/content/drive/MyDrive", vgg_format)loader_test = torch.utils.data.DataLoader(dsets_mine, batch_size=1, shuffle=False, num_workers=0)#模型的具体地址需要根据具体情况修改
model_vgg_new = torch.load(r'/content/drive/My Drive/model_best_new.pth')
model_vgg_new = model_vgg_new.to(device)

测试

dic = {}
def test(model,dataloader,size):model.eval()predictions = np.zeros(size)cnt = 0for inputs,_ in tqdm(dataloader):inputs = inputs.to(device)outputs = model(inputs)_,preds = torch.max(outputs.data,1)    #这里是切割路径，因为dset中的数据不是按1-2000顺序排列的key = dsets_mine.imgs[cnt][0].split("\\")[-1].split('.')[0]dic[key] = preds[0]cnt = cnt +1
test(model_vgg_new,loader_test,size=2000)

结果写入

with open("result18.csv",'a+') as f:for key in range(2000):#这里的yanxishe/test/是我的图片路径，按需更换f.write("{},{}\n".format(key,dic["/content/drive/MyDrive/test/"+str(key)]))

总结

经过本次试验，对VGG模型有了更深的理解。对模型进行修改后，模型准确率从90%提高到了98%，有较大提升。主要是通过增加epochs和保留较好的结果模型。

人工智能——猫狗大战相关推荐

OUC软件工程实验四：猫狗大战
使用VGG模型进行猫狗大战在本次实验中,我们将利用给定的数据集训练模型,完成Kaggle大数据竞赛的赛题--Cats vs Dogs(猫狗大战),实现对猫或狗的识别.本次实验使用 fine- ...
【人工智能项目】- 深度学习实现猫狗大战
[人工智能项目]- 深度学习实现猫狗大战本次实现猫狗大战,实质上就是猫狗的二分类任务. 环境 !nvidia-smi Mon Jun 22 04:24:29 2020 +-------------- ...
Kingofark的人工智能启示录
K ][ N G of A R K ™'s The Revelation Of AI K ][ N G of A R K ™的人工智能启示录 What's It Mean to Be Human, A ...
最新人工智能、大数据与复杂系统一月特训班_机器学习入门到精通
课程简介:从Alpha-GO到无人驾驶,人工智能AI结合大数据发挥出惊人功效的场景越来越多.如何从零开始真正入门这个领域?人工智能.大数据与复杂系统一月特训班可以帮到您! 混沌巡洋舰讲师团来自巴黎高 ...
python猫狗大战游戏下载_带你少走弯路：强烈推荐的TensorFlow快速入门资料和翻译（可下载）...
知识更新非常快,需要一直学习才能跟上时代进步,举个例子:吴恩达老师在深度学习课上讲的TensorFlow使用,这个肯定是他近几年才学的,因为谷歌开源了TensorFlow也就很短的时间. 吴恩达老师以 ...
AI人工智能实践技术
郁磊[副教授] :长期从事Python.Matlab机器学习及深度学习等研究工作,具备良好的数学及信号处理基础,熟悉如神经网络.支持向量机.决策树.随机森林等,以及群优化算法,如遗传算法.蚁群算法. ...
Python分类实例之猫狗大战
目录作者介绍编程实战指南比赛数据集介绍(Dogs vs cats) 环境配置模型定义数据加载训练和测试结果展示参考作者介绍周新龙,男,西安工程大学电子信息学院,2019级研究生, ...
搞定这8个实战项目，秒杀80%人工智能工程师面试者
微信公众号关键字全网搜索最新排名 [机器学习算法]:排名第一 [机器学习]:排名第一 [Python]:排名第三 [算法]:排名第四在互联网行业流传着这样一句话:"得人工智能者得天下.& ...
Pytorch实战第一步--用经典神经网络实现猫狗大战
文章目录前言一.猫狗大战数据集二.pytorch实战 1.程序整体结构 2.读入数据 3.网络结构 4.网络结构 5测试总结总结前言随着人工智能的不断发展,机器学习这门技术也越来越重要, ...

人工智能——猫狗大战

人工智能——猫狗大战

简介

代码运行

AI研习社测试

总结

人工智能——猫狗大战相关推荐

最新文章

热门文章