想法来源：李宏毅老师的机器学习课
通过改写Alexnet网络最后一层全连接层，使其能分辨宝可梦和数码宝贝。

数据集准备以及预处理

数据来源：
宝可梦
数码宝贝

下载宝可梦和数码宝贝，设置训练集和测试集
将图片搜集好后，通过transforms将图像转换为张量（tensor）格式，并对其进行归一化，其中，我使用了PyTorch的torchvision模块中的ImageFolder类来加载我们的数据集。

import torch
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import Datasettransform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])])
# 因为我使用GPU训练模型，因此通过参数pin_memory=True来告诉DataLoader将数据加载到固定的内存中，这样可以更快地将数据传输到GPU
trainset = torchvision.datasets.ImageFolder(root='Dataset/train', transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=4, pin_memory=True)testset = torchvision.datasets.ImageFolder(root='Dataset/test', transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False, num_workers=4, pin_memory=True)

构建模型

从torchvision中获取预训练的AlexNet模型，将最后一层输出1000个类别的全连接层改为输出2个类别

import torchvision.models as models
from torch import nn, optim
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')model = models.alexnet(weights=True)
num_features = model.classifier[-1].in_features
model.classifier[-1] = torch.nn.Linear(num_features, 2)

训练模型

超参epoch设为20，学习率为0.001
使用随机梯度下降（SGD）优化器和交叉熵损失函数对其进行训练。

model = model.to(device)criterion = torch.nn.CrossEntropyLoss()optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)n_epochs = 20for epoch in range(n_epochs):running_loss = 0.0model.train()for i, data in enumerate(trainloader, 0):inputs, labels = datainputs = inputs.type(torch.FloatTensor).to(device)labels = labels.to(device)optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()if i == 54:print('[%d, %5d] loss: %.5f' % (epoch , i, running_loss/55))# torch.save(model.state_dict(),"saveModel.pt")

测试模型

correct = 0
total = 0
model.eval()
with torch.no_grad():for data in testloader:images, labels = dataimages = images.to(device)labels = labels.to(device)outputs = model(images)_, predicted = torch.max(outputs.data, 1)print("predicte_mon",predicted)total += labels.size(0)correct += (predicted == labels).sum().item()print('Accuracy : %d %%' % (100 * correct / total))

输出准确率：（因为我的测试集只设了30个，所以准确度很高）

使用AlexNet网络区分宝可梦和数码宝贝相关推荐

宝可梦维护服务器,宝可梦大师卡在登录界面进不去,宝可梦大师为啥玩不了
游戏介绍:<宝可梦大师>是一款由The Pokemon Company发行的手机游戏. 游戏中玩家将扮演训练家,带领宝可梦和队员们以"世界宝可梦大师赛"的冠军为目标开始 ...
用python画皮卡丘源代码-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘...
原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘大数据文摘出品作者:李雷.蒋宝尚还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...
python简单代码画皮卡丘-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘...
原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘大数据文摘出品作者:李雷.蒋宝尚还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...
用python画皮卡丘代码-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘
大数据文摘出品作者:李雷.蒋宝尚还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模样吗? 最近上映的<大侦探皮卡丘>,是否会让你秒回童年 ...
深度学习tensorflow实现宝可梦图像分类
目录一.数据集简介二.数据预处理三.构建卷积神经网络四.模型训练五.预测六.分析与优化一.数据集简介宝可梦数据集(共1168张图像):bulbasaur(妙蛙种子,234).charm ...
用python画皮卡丘-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘
大数据文摘出品作者:李雷.蒋宝尚还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模样吗? 最近上映的<大侦探皮卡丘>,是否会让你秒回童年 ...
基于ResNetRS的宝可梦图像识别
基于ResNetRS的宝可梦图像识别 1.ResNet-D架构 2.ResNetRS架构 3.手动搭建模型(Tensorflow) 3.1 模型配置项 3.2 get_survival_probabi ...
怎么用python画皮卡丘_实现童年宝可梦，教你用Python画一只属于自己的皮卡丘
原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘大数据文摘出品作者:李雷.蒋宝尚还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...
个体值0和31差多少攻击_口袋妖怪：攻略篇！个体值有多重要？6V宝可梦才是完美的精灵！...
爱生活,爱游戏,大家好,我是你们的好朋友汤圆.关注汤圆,收获更多快乐哦! 口袋妖怪到目前为止有近900只精灵,18种属性,每种属性都代表着克制关系,但我们今天不讲这个,我们讲精灵的能力值,看看你心仪的 ...

使用AlexNet网络区分宝可梦和数码宝贝

数据集准备以及预处理

构建模型

训练模型

测试模型

使用AlexNet网络区分宝可梦和数码宝贝相关推荐

最新文章

热门文章