北京做网站哪家公司好,青海西宁制作网站企业,美橙互联网站建设进不去,网站色彩搭配#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f366; 参考文章#xff1a;Pytorch实战 | 第P3周#xff1a;彩色图片识别#xff1a;天气识别#x1f356; 原作者#xff1a;K同学啊 | 接辅导、项目定制#x1f680; 文章来源#xff… 本文为365天深度学习训练营 中的学习记录博客 参考文章Pytorch实战 | 第P3周彩色图片识别天气识别 原作者K同学啊 | 接辅导、项目定制 文章来源K同学的学习圈子 目录 环境步骤环境设置数据准备模型设计模型训练结果展示 总结与心得体会 环境
系统: Linux语言: Python3.8.10深度学习框架: Pytorch2.0.0cu118
步骤
环境设置
首先是包引用
import torch # pytorch主包
import torch.nn as nn # 模型相关的包创建一个别名少打点字
import torch.optim as optim # 优化器包创建一个别名
import torch.nn.functional as F # 可以直接调用的函数一般用来调用里面在的激活函数from torch.utils.data import DataLoader, random_split # 数据迭代包装器数据集切分
from torchvision import datasets, transforms # 图像类数据集和图像转换操作函数import matplotlib.pyplot as plt # 图表库
from torchinfo import summary # 打印模型结构查询当前环境的GPU是否可用
print(torch.cuda.is_available())创建一个全局的设备对象用于使各类数据处于相同的设备中
device torch.device(cuda if torch.cuda.is_available() else cpu) # 当GPU不可用时使用CPU# 如果是Mac系统可以多增加一个if条件启用mps
if torch.backends.mps.is_available():device torch.device(mps)数据准备
这次的天气图像是由K同学提供的我提前下载下来放在了当前目录下的data文件夹中 加载文件夹中的图像数据集要求文件夹按照不同的分类并列存储一个简要的文件树为
datacloudyrainshinesunrise使用torchvisio.datasets中的方法加载自定义图像数据集可以免除一些文章中推荐的自己创建Dataset个人感觉十分方便而且这种文件的存储结构也兼容keras框架。
首先我们使用原生的PythonAPI来遍历一下文件夹收集一下分类信息
import pathlibdata_lib pathlib.Path(data)
class_names [f.parts[-1] for f in data_lib.glob(*)] # 将data下级文件夹作为分类名
print(class_names)在所有的图片中随机选择几个文件打印一下信息。
import numpy as np
from PIL import Image
import randomimage_list list(data_lib.glob(*/*))
for _ in range(10):print(np.array(Image.open(random.choice(image_list))).shape)通过打印图像信息发现图像的大小并不一致需要在创建数据集时对图像进行缩放到统一的大小。
transform transforms.Compose([transforms.Resize([224, 224]), # 将图像都缩放到224x224transforms.ToTensor(), # 将图像转换成pytorch tensor对象
]) # 定义一个全局的transform 用于对齐训练验证以及测试数据接下来就可以正式从文件夹中加载数据集了
dataset datasets.ImageFolder(data, transformtranform)现在把整文件夹下的所有文件加载为了一个数据集需要根据一定的比例划分为训练和验证集方便模型的评估
train_size int(len(dataset) *0.8) # 80% 训练集 20% 验证集
eval_size len(dataset) - train_sizetrain_dataset, eval_dataset random_split(dataset, [train_size, eval_size])创建完数据集打印一下数据集中的图像
plt.figure(figsize(20, 4))
for i in range(20):image, label train_dataset[i]plt.subplot(2, 10, i1)plt.imshow(image.permute(1,2,0)) # pytorch的tensor格式为N,C,H,W在imshow展示需要将格式变成H,W,C格式,使用permute切换一下plt.axis(off)plt.title(class_names[label])最后用DataLoader包装一下数据集方便遍历
batch_size 32
train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue)
eval_loader DataLoader(eval_loader, batch_sizebatch_size)模型设计
使用一个带有BatchNorm的卷积神经网络来处理分类问题
class Network(nn.Module):def __init__(self, num_classes):super().__init__()self.conv1 nn.Conv2d(3, 12, kernel_size5, strides1)self.conv2 nn.Conv2d(12, 12, kernel_size5, strides1)self.conv3 nn.Conv2d(12, 24, kernel_size5, strides1)self.conv4 nn.Conv2d(24, 24, kernel_size5, strides1)self.maxpool nn.MaxPool2d(2)self.bn1 nn.BatchNorm2d(12)self.bn2 nn.BatchNorm2d(12)self.bn3 nn.BatchNorm2d(24)self.bn4 nn.BatchNorm2d(24)# 224 [- 220 - 216 - 108] [- 104 - 100 - 50]self.fc1 nn.Linear(50*50*24, num_classes)def forward(self, x):x F.relu(self.bn1(self.conv1(x)))x F.relu(self.bn2(self.conv2(x)))x self.maxpool(x)x F.relu(self.bn3(self.conv3(x)))x F.relu(self.bn4(self.conv4(x)))x self.maxpool(x)x x.view(x.size(0), -1)x self.fc1(x)return xmodel Network(len(class_names)).to(device) # 别忘了把定义的模型拉入共享中
summary(model, input_size(32, 3, 224, 224))模型训练
首先定义一下每个epoch内训练和评估的逻辑
def train(train_loader, model, loss_fn, optimizer):train_size len(train_loader.dataset)num_batches len(train_loader)train_loss, train_acc 0, 0for x, y in train_loader:x, y x.to(device), y.to(device)preds model(x)loss loss_fn(preds, y)optimizer.zero_grad()loss.backward()optimizer.step()train_loss loss.item()train_acc (preds.argmax(1) y).type(torch.float).sum().item()train_loss / num_batchestrain_acc / train_sizereturn train_loss, train_accdef eval(eval_loader, model, loss_fn):eval_size len(eval_loader.dataset)num_batches len(eval_loader)eval_loss, eval_acc 0, 0for x, y in eval_loader:x, y x.to(device), y.to(device)preds model(x)loss loss_fn(preds, y)eval_loss loss.item()eval_acc (preds.argmax(1) y).type(torch.float).sum().item()eval_loss / num_batcheseval_acc / eval_sizereturn eval_loss, eval_acc然后编写代码进行训练
loss_fn nn.CrossEntropyLoss()
optimizer optim.Adam(model.parameters(), lr1e-3)
epochs 10train_loss, train_acc [], []
eval_loss, eval_acc [], []
for epoch in range(epochs):model.train()epoch_train_loss, epoch_train_acc train(train_loader, model, loss_fn, optimizer)model.eval()model.no_grad():epoch_eval_loss, epoch_eval_acc test(eval_loader, model, loss_fn)结果展示 基于训练和测试数据展示结果
range_epochs range(len(train_loss))
plt.figure(figsize(12, 4))
plt.subplot(1,2,1)
plt.plot(range_epochs, train_loss, labeltrain loss)
plt.plot(range_epochs, eval_loss, labelvalidation loss)
plt.legend(locupper right)
plt.title(Loss)plt.subplot(1,2,2)
plt.plot(range_epochs, train_acc, labeltrain accuracy)
plt.plot(range_epochs, eval_acc, labelvalidation accuracy)
plt.legend(loclower right)
plt.title(Accuracy)总结与心得体会
通过对训练过程的观察训练过程中的数据波动很大并且验证集上的最好正确率只有82%。 目前行业都流行小卷积核于是我把卷积核调整为了3x3并且每次卷积后我都进行池化操作直到通道数为64由于天气识别时背景信息也比较重要高层的卷积操作后我使用平均池化代替低层使用的最大池化加大了全连接层的Dropout惩罚比重用来抑制过拟合问题。最后的模型如下
class Network(nn.Module):def __init__(self, num_classes):super().__init__()self.conv1 nn.Conv2d(3, 16, kernel_size3)self.conv2 nn.Conv2d(16, 32, kernel_size3)self.conv3 nn.Conv2d(32, 64, kernel_size3)self.conv4 nn.Conv2d(64, 64, kernel_size3)self.bn1 nn.BatchNorm2d(16)self.bn2 nn.BatchNorm2d(32)self.bn3 nn.BatchNorm2d(64)self.bn4 nn.BatchNorm2d(64)self.maxpool nn.MaxPool2d(2)self.avgpool nn.AvgPool2d(2)self.dropout nn.Dropout(0.5)# 224 - 222- 111 - 109 - 54 - 52 - 50 - 25self.fc1 nn.Linear(25*25*64, 128)self.fc2 nn.Linear(128, num_classes)def forward(self, x):x F.relu(self.bn1(self.conv1(x)))x self.maxpool(x)x F.relu(self.bn2(self.conv2(x)))x self.avgpool(x)x F.relu(self.bn3(self.conv3(x)))x F.relu(self.bn4(self.conv4(x)))x self.avgpool(x)x x.view(x.size(0), -1)x self.dropout(x)x F.relu(self.fc1(x))x self.dropout(x)x self.fc2(x)return x然后增大训练的epochs为30学习率降低为1e-4
optimizer optim.Adam(model.parameters(), lr1e-4)
epochs 30训练结果如下 可以看到验证集上的正确率最高达到了95%以上
在数据集中随机选取一个图像进行预测展示
image_path random.choice(image_list)
image_input transform(Image.open(image_path))
image_input image_input.unsqueeze(0).to(device)
model.eval()
pred model(image_input)plt.figure(figsize(5, 5))
plt.imshow(image_input.cpu().squeeze(0).permute(1,2,0))
plt.axis(off)
plt.title(class_names[pred.argmax(1)])结果如下
