pytorch1.7教程实验——分类器训练
近来想大致总结一下自己知识学习的脉络,发现自己除了大量的工程经验外,对模型算法的研究还是不够深入,而且大多都是关于目标检测方向,锚框或非锚框以及transformer,其他的涉猎不足,认识不够清晰。而且目标检测网络现在要自己单独构建写一个出来,发现也是太难,除了普通的特征提取,检测头模块包含的东西实在太多,自己尚无力解决,于是这种从底层认识挖掘的想法暂时搁浅了。
在摸索的过程中,是基于pytorch,所以了解到了一些基本的网络构建知识,都是一些小网络,小数据集,很适合去认识基本的网络构成,于是根据pytorch1.7的官方教程,自己跑了几个案例,这里把完整代码贴出,以供参考和后续学习。
pytorch1.7官方教程网址:https://pytorch.apachecn.org/
第一个案例是训练分类器,即做图像分类:
我发现从分类器开始学起对学习深度学习的复杂网络是有帮助的,因为分类网络功能简单,结构也简单,但却可看成是构建其他网络的基础,因为其他网络功能更为复杂,就是在这基础网络的结构上进一步添加函数功能实现的。
在跑代码前重点强调一下,需要先配置环境,主要安装是pytorch相关的库,还要确保可以调用GPU。
数据集使用cifar10,可直接在线加载,数据量也不大,下面是我可视化后的内部图片:
先把完整的可跑代码附上:
# -*- coding: utf-8 -*-
import torch
import torchvision
import torchvision.transforms as transformsimport torch.nn as nn
import torch.nn.functional as F
import torch.optim as optimimport matplotlib.pyplot as plt
import numpy as np# functions to show an image
def imshow(img):img = img / 2 + 0.5 # unnormalizenpimg = img.numpy()plt.imshow(np.transpose(npimg, (1, 2, 0)))plt.show()# 图像处理,转化为张量并做归一化
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])batch_size = 4trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,shuffle=True, num_workers=0)testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,shuffle=False, num_workers=0)classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')# get some random training images用来显示训练图片
dataiter = iter(trainloader)
images, labels = dataiter.next()# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
# 网络构建
class Net(nn.Module):def __init__(self):super().__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 = torch.flatten(x, 1) # flatten all dimensions except batchx = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)return xnet = Net()
# 优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)# 训练迭代
for epoch in range(12): # 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(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')running_loss = 0.0print('Finished Training')PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
# 显示测试集图片
dataiter = iter(testloader)
images, labels = dataiter.next()
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join(f'{classes[labels[j]]:5s}' for j in range(4)))
# 前向传播测试网络
net = Net()
net.load_state_dict(torch.load(PATH))outputs = net(images)_, predicted = torch.max(outputs, 1)print('Predicted: ', ' '.join(f'{classes[predicted[j]]:5s}'for j in range(4)))correct = 0
total = 0
# since we're not training, we don't need to calculate the gradients for our outputs
# 测试集前向过程不计算梯度
with torch.no_grad():for data in testloader:images, labels = data# calculate outputs by running images through the networkoutputs = net(images)# the class with the highest energy is what we choose as prediction_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f'Accuracy of the network on the 10000 test images: {100 * correct // total} %')# prepare to count predictions for each class
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}# again no gradients needed
with torch.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predictions = torch.max(outputs, 1)# collect the correct predictions for each classfor label, prediction in zip(labels, predictions):if label == prediction:correct_pred[classes[label]] += 1total_pred[classes[label]] += 1# print accuracy for each class
for classname, correct_count in correct_pred.items():accuracy = 100 * float(correct_count) / total_pred[classname]print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
# Assuming that we are on a CUDA machine, this should print a CUDA device:
print(device)
训练过程如下(使用了特殊的命令行软件):
(pytorch) λ python fenlei.py
Files already downloaded and verified
Files already downloaded and verified
这时调用了数据集图片显示函数,结果如下:
horse deer cat cat
[1, 2000] loss: 2.172
[1, 4000] loss: 1.906
[1, 6000] loss: 1.705
[1, 8000] loss: 1.613
[1, 10000] loss: 1.555
[1, 12000] loss: 1.521
[2, 2000] loss: 1.436
[2, 4000] loss: 1.391
[2, 6000] loss: 1.388
[2, 8000] loss: 1.356
[2, 10000] loss: 1.338
[2, 12000] loss: 1.301
[3, 2000] loss: 1.252
[3, 4000] loss: 1.222
[3, 6000] loss: 1.219
[3, 8000] loss: 1.216
[3, 10000] loss: 1.211
[3, 12000] loss: 1.189
[4, 2000] loss: 1.113
[4, 4000] loss: 1.124
[4, 6000] loss: 1.123
[4, 8000] loss: 1.125
[4, 10000] loss: 1.117
[4, 12000] loss: 1.104
[5, 2000] loss: 1.049
[5, 4000] loss: 1.037
[5, 6000] loss: 1.027
[5, 8000] loss: 1.033
[5, 10000] loss: 1.062
[5, 12000] loss: 1.056
[6, 2000] loss: 0.942
[6, 4000] loss: 0.989
[6, 6000] loss: 0.994
[6, 8000] loss: 1.004
[6, 10000] loss: 0.996
[6, 12000] loss: 0.992
[7, 2000] loss: 0.903
[7, 4000] loss: 0.931
[7, 6000] loss: 0.950
[7, 8000] loss: 0.954
[7, 10000] loss: 0.945
[7, 12000] loss: 0.956
[8, 2000] loss: 0.850
[8, 4000] loss: 0.882
[8, 6000] loss: 0.907
[8, 8000] loss: 0.913
[8, 10000] loss: 0.919
[8, 12000] loss: 0.911
[9, 2000] loss: 0.820
[9, 4000] loss: 0.817
[9, 6000] loss: 0.880
[9, 8000] loss: 0.859
[9, 10000] loss: 0.897
[9, 12000] loss: 0.899
[10, 2000] loss: 0.782
[10, 4000] loss: 0.798
[10, 6000] loss: 0.839
[10, 8000] loss: 0.856
[10, 10000] loss: 0.854
[10, 12000] loss: 0.883
[11, 2000] loss: 0.750
[11, 4000] loss: 0.779
[11, 6000] loss: 0.800
[11, 8000] loss: 0.823
[11, 10000] loss: 0.846
[11, 12000] loss: 0.860
[12, 2000] loss: 0.729
[12, 4000] loss: 0.764
[12, 6000] loss: 0.780
[12, 8000] loss: 0.783
[12, 10000] loss: 0.804
[12, 12000] loss: 0.821
Finished Training
GroundTruth: cat ship ship plane
Predicted: cat car truck plane
Accuracy of the network on the 10000 test images: 61 %
Accuracy for class: plane is 68.4 %
Accuracy for class: car is 83.1 %
Accuracy for class: bird is 48.1 %
Accuracy for class: cat is 45.6 %
Accuracy for class: deer is 59.8 %
Accuracy for class: dog is 44.3 %
Accuracy for class: frog is 71.6 %
Accuracy for class: horse is 62.3 %
Accuracy for class: ship is 67.2 %
Accuracy for class: truck is 65.2 %
cuda:0
这就是一个官方的图像分类网络训练案例
包括数据集的加载
模型网络的构建
网络的训练和验证
内容简单,可以大概的了解深度学习网络的原理
pytorch1.7教程实验——分类器训练相关推荐
- pytorch1.7教程实验——使用 TensorBoard 可视化模型,数据和训练
可视化还是很重要的,作为官方教程的开头部分,还是有必要好好看看,毕竟使用服务器没有桌面,不用直接使用画图函数看图像,使用tensorboard可以作为一种可视化方法,而且训练过程的损失曲线等也可以通过 ...
- pytorch1.7教程实验——迁移学习训练卷积神经网络进行图像分类
只是贴上跑通的代码以供参考学习 参考网址:迁移学习训练卷积神经网络进行图像分类 需要用到的数据集下载网址: https://download.pytorch.org/tutorial/hymenopt ...
- pytorch1.7教程实验——对抗示例生成FGSM
教程原网址:https://pytorch.apachecn.org/#/docs/1.7/21 我们将通过图像分类器上的示例来探讨该主题. 具体而言,我们将使用最流行的一种攻击方法,即快速梯度符号攻 ...
- pytorch1.7教程实验——DCGAN生成对抗网络
教程原网址:https://pytorch.apachecn.org/#/docs/1.7/22 DCGAN 是上述 GAN 的直接扩展,不同之处在于,DCGAN 分别在判别器和生成器中分别使用卷积和 ...
- OpenCV级联分类器训练与使用实战教程-贾志刚-专题视频课程
OpenCV级联分类器训练与使用实战教程-1012人已学习 课程介绍 基于OpenCV新版本3.1.0详细讲述了HAAR与LBP级联分类器的基本原理与使用技巧,通过视频中人脸实时检测与 ...
- opencv级联增强分类器训练流程--python实现
文章目录 介绍 重要提示 训练数据准备 负样本 正样本 **额外说明** 使用OpenCV的集成标注工具 级联增强分类器训练 可视化级联分类器 介绍 级联增强分类器包含两个主要阶段:训练阶段和检测阶段 ...
- 体验MindSpore在线教程+实验——《实现一个图片分类应用》
华为MindSpore小伙伴们的新创意惊艳到我了,在线的教程+实验这个脑洞真的是要狂点赞. 我在自学机器学习的过程中,感觉从了解理论到理解模型难,从理解模型走到能写代码更难.最近的21天实战课,每次课 ...
- 级联分类器训练及其参数的含义
转载自:级联分类器训练 - OpenCV 2.3.2 documentation http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guid ...
- 【OpenCV3】级联分类器训练——traincascade快速使用详解
上一篇(OpenCV3中的级联分类器目标检测--cv::CascadeClassifier简介)介绍了如何使用级联分类器进行目标检测.这里,我们介绍一下如何训练自己的级联分类器. 至于原理这里就不再进 ...
最新文章
- CoordinatorLayout
- CUR分解算法及Python实现
- 魔性十足的数学动态图,这种东西都拿出来分享?
- [JZOJ 5911] [NOIP2018模拟10.18] Travel 解题报告 (期望+树形DP)
- java+nginx+tomcat+memcache
- IOS-网络(数据安全:MD5加密)
- SpringAOP原理解析
- 人工智能基础——2.3.2产生式系统
- 欠阻尼衰减振荡Matlab语言,欠阻尼振荡曲线的衰减系数怎么求
- c语言输入abc求平均值,怎样用C语言编写一个求平均数的程序?要求如下.刚学C语言,...
- java实现pdf旋转_基于Java实现PDF文本旋转倾斜
- Linux高级应用(三)液晶屏显示图片
- 经典算法-BF算法(字符串匹配)
- 美团校招笔试题-算法8.20-python
- 调查:人工智能技术的应用现状
- linux iptable命令用法
- 干货|Android免Root最全Hook插件(免Root Hook任意App)
- 前端利用高德实时定位_web使用高德地图
- 资产负债表与利润表钩稽关系
- 如何通过python爬股票接口获取证券交易日?
热门文章
- Chrome 开发工具指南——通过工作空间保存更改
- 微盟合作,重磅推出全免费的H5专业营销平台,快速创建第一个H5活动(捷微H5)
- Navicat for MySQL 使用SSH方式链接远程数据库
- 【参与开源】J2EE开源项目JEECG快速开发平台,欢迎广大技术爱好者参与
- 站在面试官角度,看求职与内卷
- Essentials of Deep Learning: Visualizing Convolutional Neural Networks in Python
- Express学习笔记(基本使用,中间件,模块化路由,请求处理)
- Spark Streaming的工作机制
- Vant 1.0 发布:轻量、可靠的移动端 Vue 组件库
- 2017百度之星程序设计大赛 - 资格赛【1001 Floyd求最小环 1002 歪解(并查集),1003 完全背包 1004 01背包 1005 打表找规律+卡特兰数】...