一、安装Julia

二、Flux简介

三、安装Flux和相关依赖库

四、cifar10项目下载

*五、cifar10数据集下载

六、开始训练

一、安装Julia

IDE是Atom，安装和使用教程为：Windows10 Atom安装和运行Julia的使用教程（详细）

二、Flux简介

1.Flux.jl是一个内置于Julia的机器学习框架。它与PyTorch有一些相似之处，就像大多数现代框架一样。

2.Flux是一种优雅的机器学习方法。它是100％纯Julia堆栈形式，并在Julia的原生GPU和AD支持之上提供轻量级抽象。

3.Flux是一个用于机器学习的库。它功能强大，具有即插即拔的灵活性，即内置了许多有用的工具，但也可以在需要的地方使用Julia语言的全部功能。

4.Flux遵循以下几个关键原则：

（1） Flux对于正则化或嵌入等功能的显式API相对较少。相反，写下数学形式将起作用，并且速度很快。

（2）所有的知识和工具，从LSTM到GPU内核，都是简单的Julia代码。如果有疑问的话，可以查看官方教程。如果需要不同的函数块或者是功能模块，我们也可以轻松自己动手实现。

（3）Flux适用于Julia库，包括从数据帧和图像到差分方程求解器等等内容，因此我们也可以轻松构建集成Flux模型的复杂数据处理流水线。

5.Flux相关教程链接（FQ）：https://fluxml.ai/Flux.jl/stable/

6.Flux模型代码示例链接：https://github.com/FluxML/model-zoo/

三、安装Flux和相关依赖库

1.打开julia控制台，或者打开Atom启动下方REPL的julia，先输入如下指令

using Pkg

2.安装Flux

Pkg.add("Flux")

3.同理，安装依赖项Metalhead

Pkg.add("Metalhead")

Pkg.add("Images")

Pkg.add("Statistics")

一般安装了Metalhead也会自动帮你装上Images和Statistics~

四、cifar10项目下载

1.下载model-zoo文件夹：https://github.com/FluxML/model-zoo/

2.cifar10.jl在model-zoo-master\vision\cifar10中

3.我们在Atom里打开这个项目，如下

*五、cifar10数据集下载

1.github上的model-zoo里cifar10的下载函数里面解压的方式是Linux的，在

C:\Users\你的电脑用户名\.julia\packages\Metalhead\fYeSU\src\datasets\autodetect.jl：

function download(which)if which === ImageNeterror("ImageNet is not automatiacally downloadable. See instructions in datasets/README.md")elseif which == CIFAR10local_path = joinpath(@__DIR__, "..","..",datasets, "cifar-10-binary.tar.gz")#print(local_path)dir_path = joinpath(@__DIR__,"..","..","datasets")if(!isdir(joinpath(dir_path, "cifar-10-batches-bin")))if(!isfile(local_path))Base.download("https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz", local_path)endrun(`tar -xzvf $local_path -C $dir_path`)endelseerror("Download not supported for $(which)")end
end

这意味着解压函数在windows10上是无效的，但是这并不影响我们在windows上的使用，我们只需要手动下载即可

2.下载地址：https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

3.下载完成后请放到这个文件夹（其实是放到这里是为了配合Linux操作系统）：

C:\Users\你的电脑用户名\.julia\packages\Metalhead\fYeSU\datasets

解压后的内容如下：

注意：不放这里，你就等着报错报到死吧！！那就是无法找到cifar10数据集位置！！

六、开始训练

1.核心代码

cifar10.jl

using Flux, Metalhead, Statistics
using Flux: onehotbatch, onecold, crossentropy, throttle
using Metalhead: trainimgs
using Images: channelview
using Statistics: mean
using Base.Iterators: partition# VGG16 and VGG19 modelsvgg16() = Chain(Conv((3, 3), 3 => 64, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(64),Conv((3, 3), 64 => 64, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(64),x -> maxpool(x, (2, 2)),Conv((3, 3), 64 => 128, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(128),Conv((3, 3), 128 => 128, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(128),x -> maxpool(x, (2,2)),Conv((3, 3), 128 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),x -> maxpool(x, (2, 2)),Conv((3, 3), 256 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),x -> maxpool(x, (2, 2)),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),x -> maxpool(x, (2, 2)),x -> reshape(x, :, size(x, 4)),Dense(512, 4096, relu),Dropout(0.5),Dense(4096, 4096, relu),Dropout(0.5),Dense(4096, 10),softmax) |> gpuvgg19() = Chain(Conv((3, 3), 3 => 64, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(64),Conv((3, 3), 64 => 64, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(64),x -> maxpool(x, (2, 2)),Conv((3, 3), 64 => 128, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(128),Conv((3, 3), 128 => 128, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(128),x -> maxpool(x, (2, 2)),Conv((3, 3), 128 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(256),Conv((3, 3), 256 => 256, relu, pad=(1, 1), stride=(1, 1)),x -> maxpool(x, (2, 2)),Conv((3, 3), 256 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),x -> maxpool(x, (2, 2)),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),BatchNorm(512),Conv((3, 3), 512 => 512, relu, pad=(1, 1), stride=(1, 1)),x -> maxpool(x, (2, 2)),x -> reshape(x, :, size(x, 4)),Dense(512, 4096, relu),Dropout(0.5),Dense(4096, 4096, relu),Dropout(0.5),Dense(4096, 10),softmax) |> gpu# Function to convert the RGB image to Float64 Arraysgetarray(X) = Float32.(permutedims(channelview(X), (2, 3, 1)))# Fetching the train and validation data and getting them into proper shapeX = trainimgs(CIFAR10)
imgs = [getarray(X[i].img) for i in 1:50000]
labels = onehotbatch([X[i].ground_truth.class for i in 1:50000],1:10)
train = gpu.([(cat(imgs[i]..., dims = 4), labels[:,i]) for i in partition(1:49000, 100)])
valset = collect(49001:50000)
valX = cat(imgs[valset]..., dims = 4) |> gpu
valY = labels[:, valset] |> gpu# Defining the loss and accuracy functionsm = vgg16()loss(x, y) = crossentropy(m(x), y)accuracy(x, y) = mean(onecold(m(x), 1:10) .== onecold(y, 1:10))# Defining the callback and the optimizerevalcb = throttle(() -> @show(accuracy(valX, valY)), 10)opt = ADAM()# Starting to train modelsFlux.train!(loss, params(m), train, opt, cb = evalcb)# Fetch the test data from Metalhead and get it into proper shape.
# CIFAR-10 does not specify a validation set so valimgs fetch the testdata instead of testimgstest = valimgs(CIFAR10)testimgs = [getarray(test[i].img) for i in 1:10000]
testY = onehotbatch([test[i].ground_truth.class for i in 1:10000], 1:10) |> gpu
testX = cat(testimgs..., dims = 4) |> gpu# Print the final accuracy@show(accuracy(testX, testY))

2.菜单栏里 Packages->Julia->Run File，可以在REPL里看到训练的效果，也就是最后一句代码展示准确度

3.至于如何放到GPU上训练，我们还需要下载CuArrays：

Using Pkg
Pkg.add("CuArrays")

以及安装CUDA和cuDNN支持，具体细节看官方文档：https://fluxml.ai/Flux.jl/stable/gpu/#Installation-

Julia 基于Flux深度学习框架的cifar10数据集分类相关推荐

基于TensorFlow深度学习框架，运用python搭建LeNet-5卷积神经网络模型和mnist手写数字识别数据集，设计一个手写数字识别软件。
本软件是基于TensorFlow深度学习框架,运用LeNet-5卷积神经网络模型和mnist手写数字识别数据集所设计的手写数字识别软件. 具体实现如下: 1.读入数据:运用TensorFlow深度学习 ...
【深度学习】基于PyTorch深度学习框架的序列图像数据装载器
作者 | Harsh Maheshwari 编译 | VK 来源 | Towards Data Science 如今,深度学习和机器学习算法正在统治世界.PyTorch是最常用的深度学习框架之一,用于 ...
【开源项目推荐-ColugoMum】这群本科生基于国产深度学习框架PaddlePadddle开源了零售行业解决方案
零售行业是我国非常重要的行业之一,随着手机支付和购物用户数量的不断提高,以及数字化技术的不断发展,零售行业的企业尤其是线下体验店对数字化转型的意愿不断加强,未来我国智慧零售行业有望持续快速发展. 那么 ...
julia有 pytorch包吗_有了Julia语言，深度学习框架从此不需要计算图
选自julialang 作者:Mike Innes 等机器之心编译参与:刘晓坤.思源本文基于 NeurIPS MLSys 的一篇论文<Fashionable Modelling with ...
【深度学习】训练CIFAR-10数据集实现分类加测试
网上有很多博主写的训练CIFAR-10的代码,本次只是单纯记录一下自己调试的一个程序,对于初学深度学习的小白可以参考,如有不对,请多多见谅!!! 一.CIFAR-10数据集由10个类的60000个32 ...
基于迁移深度学习的遥感图像场景分类
前述根据语义特征对遥感图像场景进行分类是一项具有挑战性的任务.因为遥感图像场景的类内变化较大,而类间变化有时却较小.不同的物体会以不同的尺度和方向出现在同一类场景中,而同样的物体也可能出现在不同的场 ...
开源基于PyTorch深度学习框架实现图卷积
开源代码参考:学习与优化 Graph Convolutional Networks paper -> paper link -> github Distilling Knowledge F ...
基于kera-yolo3深度学习框架的目标检测
1.在github官网上面下载kera-yolo3框架,网址为:https://github.com/qqwweee/keras-yolo3(注意:github网站不稳定时可到中国网站gitee官网去 ...
JAVA深度学习框架DJL之鞋子分类
机器学习生命周期遵循机器学习生命周期来生成鞋类分类模型. ML生命周期不同于传统的软件开发生命周期,它包含六个具体步骤: 获取数据清理并准备数据产生模型评估模型部署模型从模型获得预测(或推 ...

Julia 基于Flux深度学习框架的cifar10数据集分类

一、安装Julia

二、Flux简介

三、安装Flux和相关依赖库

四、cifar10项目下载

*五、cifar10数据集下载

六、开始训练

Julia 基于Flux深度学习框架的cifar10数据集分类相关推荐

最新文章

热门文章