pytorch实现图像分类代码实例

图像多标签分类例子

import os
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torchvision.models as models
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator
from tensorboardX import SummaryWriterimport seaborn as sns
from sklearn.metrics import confusion_matrix'''数据加载'''
#选择设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
#对三种数据集进行不同预处理，对训练数据进行加强
data_transforms = {'train': transforms.Compose([transforms.RandomRotation(30),transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406],[0.229, 0.224, 0.225])]),'valid': transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406],[0.229, 0.224, 0.225])])
}#数据目录
data_dir = "/DATA/wanghongzhi/17flowers"#获取两个数据集
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x),  #要习惯python这种语法data_transforms[x]) for x in ['train', 'valid']}
traindataset = image_datasets['train']
validdataset = image_datasets['valid']batch_size = 8
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size,shuffle=True, num_workers=4) for x in ['train', 'valid']}
print(dataloaders)
traindataloader = dataloaders['train']
validdataloader = dataloaders['valid']dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'valid']}'''定义网络结构'''
class Net(nn.Module):def __init__(self,model):super(Net,self).__init__()self.features = model.features# for p in self.parameters():#     p.requires_grad = Falseself.classifier = nn.Sequential(nn.Linear(25088, 4096,bias=True),nn.ReLU(inplace=True),nn.Dropout(p=0.5,inplace=False),nn.Linear(4096, 4096,bias=True),nn.ReLU(inplace=True),nn.Dropout(p=0.5,inplace=False),nn.Linear(4096, 102,bias=True))def forward(self,x):x = self.features(x)x = x.view(x.shape[0], -1)x = self.classifier(x)return xnet = models.resnet50().to(device)net.load_state_dict(torch.load('/home/wanghongzhi/zuoye/resnet50.pth'))'''参数设定'''
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(filter(lambda p: p.requires_grad, net.parameters()),lr=0.0001,momentum=0.9)'''定义根据loss列表绘制loss曲线函数'''
def hua_loss(loss):l=len(loss)#x=list(range(1,l+1))x=range(1,l+1)# 设置图片大小plt.figure(figsize=(20,8),dpi=80) # figsize设置图片大小，dpi设置清晰度plt.title("Train-Epoch-Loss",fontsize=25)plt.xlabel("Epoch",fontsize=20)plt.ylabel("Loss",fontsize=20)plt.plot(x,loss)x_major_locator=MultipleLocator(2)  #x轴刻度为1的倍数y_major_locator=MultipleLocator(0.15) #y轴刻度为0.01的倍数ax=plt.gca() #ax为两条坐标轴的实例ax.xaxis.set_major_locator(x_major_locator)ax.yaxis.set_major_locator(y_major_locator)#保存#plt.savefig("./t1.png")plt.show()'''先定义验证集检验''' #测试集和验证集代码一模一样
def valid_model(model, criterion):best_acc = 0.0print('-' * 10)running_loss = 0.0running_corrects = 0model = model.to(device)for inputs, labels in validdataloader:inputs = inputs.to(device)labels = labels.to(device)model.eval()with torch.no_grad():outputs = model(inputs)loss = criterion(outputs, labels)print('outputs:',outputs)print('labels:',labels)_, preds = torch.max(outputs, 1)running_loss += loss.item()running_corrects += torch.sum(preds == labels).item()epoch_loss = running_loss / dataset_sizes['valid']print(running_corrects)epoch_acc = running_corrects / dataset_sizes['valid']print('{} Loss: {:.4f} Acc: {:.4f}'.format('valid', epoch_loss, epoch_acc))print('-' * 10)print()#val_loss.append(epoch_loss)'''训练模型'''
def train_model(model, criterion, optimizer, num_epochs=5):#since = time.time()best_acc = 0.0train_loss=[]#val_loss=[]for epoch in range(num_epochs):if (epoch+1)%5==0:       #每五个epoch就用该模型验证一次结果          valid_model(model, criterion)print('-' * 10)print('Epoch {}/{}'.format(epoch+1, num_epochs))running_loss = 0.0running_corrects = 0model = model.to(device)for inputs, labels in traindataloader:inputs = inputs.to(device)labels = labels.to(device)model.train()optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()_, preds = torch.max(outputs, 1)running_loss += loss.item()  #加起来用来计算每个epoch的lossrunning_corrects += torch.sum(preds == labels).item() #item()取出张量中的值，或者(predicted==labels).sum().item()epoch_loss = running_loss / dataset_sizes['train']print(dataset_sizes['train'])  #训练集总数print(running_corrects) #正确预测个数epoch_acc = running_corrects / dataset_sizes['train']best_acc = max(best_acc,epoch_acc)print('{} Loss: {:.4f} Acc: {:.4f}'.format('train', epoch_loss, epoch_acc)) print()train_loss.append(epoch_loss)hua_loss(train_loss)print('Best val Acc: {:4f}'.format(best_acc)) return model'''开始训练'''
epochs = 5
model = train_model(net, criterion, optimizer, epochs)

参考了博客：Pytorch实现鲜花分类(102 Category Flower Dataset)

pytorch实现图像分类代码实例相关推荐

【项目实战课】人人免费可学！基于Pytorch的图像分类简单任务数据增强实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的图像分类简单任务数据增强实战>.所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代码级的 ...
基于pytorch实现图像分类——理解自动求导、计算图、静态图、动态图、pytorch入门
1. pytorch入门什么是PYTORCH? 这是一个基于Python的科学计算软件包,针对两组受众: 替代NumPy以使用GPU的功能提供最大灵活性和速度的深度学习研究平台 1.1 开发环境 ...
NLP: 0基础应用T5模型进行文本翻译代码实例～
文章目录前言一.目标文本是什么? 二.模型调用步骤 1.引入库 2.导入模型,本文使用 t5-base 3.使用分词器对目标文本进行分词 4.对刚刚生成的分词结果进行目标语言的生成工作 5.对生成 ...
一步步读懂Pytorch Chatbot Tutorial代码(三) - 创建字典
文章目录自述有用的工具代码出处目录代码 Load and trim data 类 class _ _ init _ _ 初始化实例变量 for word in sentence.split( ...
pytorch实现图像分类，训练集准确率很高，测试集准确率总是很低
在使用pytorch运行图像分类的代码的时候,发现测试集准确率总是只有30%左右, 但是训练集准确率基本可以达到80%以上,那么存在的问题可能是一下几个方面导致的: 1.学习率设置得太高,可以尽量将学 ...
pytorch车牌识别代码
我不太了解pytorch车牌识别代码,但我可以提供一些关于它的基本信息. PyTorch是一种被广泛用于图像分类.语音识别和自然语言处理的深度学习框架.它可以用来构建.训练和测试复杂的模型,其中包括车 ...
Pytorch CIFAR10图像分类数据加载与可视化篇
Pytorch CIFAR10图像分类数据加载与可视化篇文章目录 Pytorch CIFAR10图像分类数据加载与可视化篇 1.数据读取 2. 查看数据(格式,大小,形状) 3. 查看图片 np ...
pytorch lstm crf 代码理解
好久没有写博客了,这一次就将最近看的pytorch 教程中的lstm+crf的一些心得与困惑记录下来. 原文 PyTorch Tutorials 参考了很多其他大神的博客,https://blog.c ...
php 3 3公派算法代码,PHP常见算法合集代码实例
许多人都说算法是程序的核心,一个程序的好于差,关键是这个程序算法的优劣,下面是一些常用的算法和实例,大家可以好好学习下一.文件夹遍历 function allFile($path = __DIR_ ...

pytorch实现图像分类代码实例

pytorch实现图像分类代码实例相关推荐

最新文章

热门文章