%matplotlib inline

训练分类器

就是这个。您已经了解了如何定义神经网络，计算损耗并更新网络权重。

现在你可能在想

数据怎么样？

通常，当您必须处理图像，文本，音频或视频数据时，您可以使用标准的python包将数据加载到numpy数组中。然后你可以将这个数组转换成一个torch.*Tensor。

对于图像，Pillow，OpenCV等软件包很有用
对于音频，包括scipy和librosa
对于文本，无论是原始Python还是基于Cython的加载，还是NLTK和SpaCy都很有用
特别是对于视觉，我们创建了一个名为的包 torchvision，其中包含用于常见数据集的数据加载器，如Imagenet，CIFAR10，MNIST等，以及用于图像的数据转换器，即 torchvision.datasets和torch.utils.data.DataLoader。

这提供了极大的便利并避免编写样板代码。

在本教程中，我们将使用CIFAR10数据集。它有类：‘飞机’，‘汽车’，‘鸟’，‘猫’，‘鹿’，‘狗’，‘青蛙’，‘马’，‘船’，‘卡车’。CIFAR-10中的图像尺寸为3x32x32，即尺寸为32x32像素的3通道彩色图像。

cifar10

训练图像分类器

我们将按顺序执行以下步骤：

使用加载和标准化CIFAR10训练和测试数据集 torchvision
定义卷积神经网络
定义损失函数
在训练数据上训练网络
在测试数据上测试网络

加载和标准化CIFAR10

使用torchvision，加载CIFAR10非常容易。

import torch
import torchvision
import torchvision.transforms as transforms

torchvision数据集的输出是范围[0,1]的PILImage图像。我们将它们转换为归一化范围的张量[-1,1]

Note

If running on Windows and you get a BrokenPipeError, try setting the num_worker of torch.utils.data.DataLoader() to 0.

transform = 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,##数据集的数据加载器，train=True时使用训练集，False时为使用测试集download=True, transform=transform)##获取分类任务所需要的数据集，transform给输入图像施加变换
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')

Downloading http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data\cifar-10-python.tar.gz
Files already downloaded and verified

让我们展示一些训练图像，以获得乐趣。

import matplotlib.pyplot as plt
import numpy as np# functions to show an imagedef imshow(img):img = img / 2 + 0.5     # unnormalizenpimg = img.numpy()plt.imshow(np.transpose(npimg, (1, 2, 0)))plt.show()# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

[外链图片转存失败(img-tdbXaAP1-1568109363235)(output_7_0.png)]

 ship plane  ship  deer

定义卷积神经网络

从神经网络部分复制神经网络并修改它以获取3通道图像（而不是定义的1通道图像）。

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()

定义Loss函数和优化器

让我们使用分类交叉熵损失和SGD动量。

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

训练网络

事情开始变得有趣了。我们只需循环遍历数据迭代器，并将输入提供给网络并进行优化。

for epoch in range(2):  # loop over the dataset multiple timesrunning_loss = 0.0for i, data in enumerate(trainloader, 0):# get the inputs; data is a list of [inputs, labels]inputs, labels = data# zero the parameter gradientsoptimizer.zero_grad()# forward + backward + optimizeoutputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()# print statisticsrunning_loss += loss.item()if i % 2000 == 1999:    # print every 2000 mini-batchesprint('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0print('Finished Training')

[1,  2000] loss: 2.168
[1,  4000] loss: 1.833
[1,  6000] loss: 1.693
[1,  8000] loss: 1.589
[1, 10000] loss: 1.527
[1, 12000] loss: 1.488
[2,  2000] loss: 1.418
[2,  4000] loss: 1.371
[2,  6000] loss: 1.355
[2,  8000] loss: 1.331
[2, 10000] loss: 1.300
[2, 12000] loss: 1.292
Finished Training

在测试数据上测试网络

我们已经在训练数据集上训练了2次。但我们需要检查网络是否已经学到了什么。

我们将通过预测神经网络输出的类标签来检查这一点，并根据地面实况进行检查。如果预测正确，我们将样本添加到正确预测列表中。

好的，第一步。让我们从测试集中显示一个图像以熟悉。

dataiter = iter(testloader)
images, labels = dataiter.next()# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

[外链图片转存失败(img-NPfLQZwH-1568109363236)(output_15_0.png)]

GroundTruth:    cat  ship  ship plane

好的，现在让我们看看神经网络认为上面这些例子是什么：

outputs = net(images)

输出是10类的精度。一个类的精度越高，网络认为图像是特定类的越多。那么，让我们得到最高精度的指数：

_, predicted = torch.max(outputs, 1)print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]for j in range(4)))

Predicted:    cat  ship  ship  ship

结果似乎很好。

让我们看看网络如何在整个数据集上执行。

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))

Accuracy of the network on the 10000 test images: 52 %

这看起来好于偶然，这是10％的准确性（从10个班级中随机挑选一个班级）。似乎网络学到了一些东西。

嗯，什么是表现良好的类，以及表现不佳的类：

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] += 1for i in range(10):print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))

Accuracy of plane : 34 %
Accuracy of   car : 43 %
Accuracy of  bird : 38 %
Accuracy of   cat : 39 %
Accuracy of  deer : 57 %
Accuracy of   dog : 57 %
Accuracy of  frog : 58 %
Accuracy of horse : 55 %
Accuracy of  ship : 73 %
Accuracy of truck : 67 %

利用pytorch实现多分类器相关推荐

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 ...
利用Pytorch实现GoogLeNet网络
目录 1 GoogLeNet网络 1.1 网络结构及参数 1.2 Inception结构 1.3 带降维功能的Inception结构 1.4 辅助分类器 2 利用Pytorch实现GoogLeNe ...
使用Pytorch构建一个分类器(CIFAR10模型)
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 ...
CUDA：利用Pytorch查看自己电脑上CUDA版本及其相关信息
CUDA:利用Pytorch查看自己电脑上CUDA版本及其相关信息目录利用Pytorch查看自己电脑上CUDA的版本信息
PyTorch之LeNet-5：利用PyTorch实现最经典的LeNet-5卷积神经网络对手写数字图片识别CNN
PyTorch之LeNet-5:利用PyTorch实现最经典的LeNet-5卷积神经网络对手写数字图片识别CNN 目录训练过程代码设计训练过程代码设计 #PyTorch:利用PyTorch实现 ...
PyTorch：采用sklearn 工具生成这样的合成数据集+利用PyTorch实现简单合成数据集上的线性回归进行数据分析
PyTorch:采用sklearn 工具生成这样的合成数据集+利用PyTorch实现简单合成数据集上的线性回归进行数据分析目录输出结果核心代码输出结果核心代码 #PyTorch:采用skle ...
深度学习练手项目（二）-----利用PyTorch进行线性回归
前言深度学习并没有想象的那么难,甚至比有些传统的机器学习更简单.所用到的数学知识也不需要特别的高深.这篇文章将利用PyTorch来实现线性回归这个经典的模型. 一.线性回归理论线性回归时利用数理统 ...
利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测
本篇使用的平台为Ubuntu,Windows平台的请看Pytorch的C++端(libtorch)在Windows中的使用前言距离发布Pytorch-1.0-Preview版的发布已经有两个多月, ...
matlab ann-bp分类器,利用matlab真的BP-ANN分类器设计.doc
利用matlab真的BP-ANN分类器设计,ann分类器,bp神经网络分类器,bp分类器,贝叶斯分类器matlab,svm分类器matlab程序,matlab分类器,matlab分类器工具箱,soft ...

利用pytorch实现多分类器