PyTorch基础-猫狗分类实战-10

训练模型并保存

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets,transforms,models
from torch.utils.data import Dataset
import sys

# 数据预处理
transform = transforms.Compose([transforms.RandomResizedCrop(224),# 对图像进行随机裁剪transforms.RandomRotation(20),# 随机旋转角度transforms.RandomHorizontalFlip(p=0.5),# 随机水平翻转transforms.ToTensor()# 变成tensor格式
]) # 数据增强# 读取数据
root = "image"
train_dataset = datasets.ImageFolder(root + "/train",transform)
test_dataset = datasets.ImageFolder(root + "/test",transform)# 导入数据
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=8,shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size=8,shuffle=True)

classes = train_dataset.classes
classes_index = train_dataset.class_to_idx
print(classes)
print(classes_index)

model = models.vgg16(pretrained=True)# 载入vgg16预训练模型
print(model)

for param in model.parameters():param.requires_grad = False
# 构建新的全连接层
model.classifier = torch.nn.Sequential(torch.nn.Linear(25088,100),torch.nn.ReLU(),torch.nn.Dropout(p=0.5),torch.nn.Linear(100,2))

LR = 0.0003
# 定义代价函数
entropy_loss = nn.CrossEntropyLoss()
# 定义优化器
optimizer = optim.Adam(model.parameters(),LR)

def train():model.train()for i,data in enumerate(train_loader):# 获得数据和对应的标签inputs,labels = data# 获得模型预测结果（64，10）out = model(inputs)# 交叉熵代价函数out（batch.C),labels(batch)loss = entropy_loss(out,labels)# 梯度清零optimizer.zero_grad()# 计算梯度loss.backward()# 修改权值optimizer.step()def test():model.eval()correct = 0for i,data in enumerate(test_loader):# 获得数据和对应的标签inputs,labels = data# 获得模型预测结果out = model(inputs)# 获得最大值，以及最大值所在的位置_,predicted = torch.max(out,1)# 预测正确的数量correct += (predicted == labels).sum()print("test acc:{0}".format(correct.item()/len(test_dataset)))correct = 0for i,data in enumerate(train_loader):# 获得数据和对应的标签inputs,labels = data# 获得模型预测结果out = model(inputs)# 获得最大值，以及最大值所在的位置_,predicted = torch.max(out,1)# 预测正确的数量correct += (predicted == labels).sum()print("train acc:{0}".format(correct.item()/len(train_dataset)))

for  epoch in range(5):print("epoch:",epoch)train()test()
torch.save(model.state_dict(),"cat_dog.pth") # 保存模型

加载模型进行预测

import torch
import numpy as np
from PIL import Image
from torchvision import transforms,models

model = models.vgg16(pretrained=True)
# 构建新的全连接层
model.classifier = torch.nn.Sequential(torch.nn.Linear(25088,100),torch.nn.ReLU(),torch.nn.Dropout(p=0.5),torch.nn.Linear(100,2))
model.load_state_dict(torch.load("cat_dog.pth")) # 加载模型
model.eval() # 预测模式

label = np.array(["cat","dog"])
# 数据预处理
transform = transforms.Compose([transforms.Resize(224),transforms.ToTensor()
])

# 预测函数
def predict(image_path):# 打开图片img = Image.open(image_path)# 数据处理，增加一个维度img = transform(img).unsqueeze(0)# 预测得到的结果outputs = model(img)# 获得最大值所在位置_,predicted  = torch.max(outputs,1)# 转换为类别名称print(label[predicted.item()])

predict("image/test/cat/cat.1490.jpg")

PyTorch基础-猫狗分类实战-10相关推荐

Pytorch+CNN+猫狗分类实战
文章目录 0.前言 1.猫狗分类数据集 1.1数据集下载(可选部分) 1.2数据集分析 2.猫狗分类数据集预处理 2.1训练集和测试集划分 2.2训练集和测试集读取 3.剩余代码 4.总结 0.前言 ...
基于Pytorch的猫狗分类
无偿分享~ 猫狗二分类文件下载地址在下一章说猫狗分类这个真是困扰我好几天,找了好多资料都是以TensorFlow的猫狗分类,但我们要求的是以pytorch的猫狗分类.刚开始我找到了也 ...
基于Pytorch实现猫狗分类
基于Pytorch实现猫狗分类一.环境配置二.数据集准备三.猫狗分类的实例四.实现分类预测测试五.参考资料一.环境配置 1.环境使用 Anaconda 2.配置Pytorch pip in ...
【学习笔记】pytorch迁移学习-猫狗分类实战
1.迁移学习入门什么是迁移学习:在深度神经网络算法的引用过程中,如果我们面对的是数据规模较大的问题,那么在搭建好深度神经网络模型后,我们势必要花费大量的算力和时间去训练模型和优化参数,最后耗费了这么 ...
PyTorch深度学习实战 | 猫狗分类
本文内容使用TensorFlow和Keras建立一个猫狗图片分类器. 图1 猫狗图片 01.安装TensorFlow和Keras库 TensorFlow是一个采用数据流图(data flow grap ...
【深度学习】ResNet残差网络 ResidualBlock残差块实现(pytorch) | 跟着李沐学AI笔记 | ResNet18进行猫狗分类
文章目录前言一.卷积的相关计算公式(复习) 二.残差块ResidualBlock复现(pytorch) 三.残差网络ResNet18复现(pytorch) 四.直接调用方法五.具体实践(ResN ...
AlexNet 实现猫狗分类（keras and pytorch）
AlexNet 实现猫狗分类前言在训练网络过程中遇到了很多问题,先在这里抱怨一下,没有硬件条件去使用庞大的ImageNet2012 数据集 .所以在选择合适的数据集上走了些弯路,最后选择有kagg ...
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集
Kaggle深度学习与卷积神经网络项目实战-猫狗分类检测数据集一.相关介绍二.下载数据集三.代码示例 1.导入keras库,并显示版本号 2.构建网络 3.数据预处理 4.使用数据增强四.使用 ...
Java软件研发工程师转行之深度学习(Deep Learning)进阶：手写数字识别+人脸识别+图像中物体分类+视频分类+图像与文字特征+猫狗分类
本文适合于对机器学习和数据挖掘有所了解,想深入研究深度学习的读者 1.对概率基本概率有所了解 2.具有微积分和线性代数的基本知识 3.有一定的编程基础(Python) Java软件研发工程师转行之深度 ...

PyTorch基础-猫狗分类实战-10

训练模型并保存

加载模型进行预测

PyTorch基础-猫狗分类实战-10相关推荐

最新文章

热门文章