广州市手机网站建设平台,技术先进的网站建设公,青岛做网站哪家专业,培训心得体会感悟目录 引言在Conda虚拟环境下安装pytorch步骤一#xff1a;利用代码自动下载mnist数据集步骤二#xff1a;搭建基于VGG16的图像分类模型步骤三#xff1a;训练模型步骤四#xff1a;测试模型运行结果后续模型的优化和改进建议完整代码结束语 引言
在本博客中#xff0c;小… 目录 引言在Conda虚拟环境下安装pytorch步骤一利用代码自动下载mnist数据集步骤二搭建基于VGG16的图像分类模型步骤三训练模型步骤四测试模型运行结果后续模型的优化和改进建议完整代码结束语 引言
在本博客中小编将向大家介绍如何使用VGG16处理MNIST数据集的图像分类任务。MNIST数据集是一个常用的手写数字分类数据集包含60,000个训练样本和10,000个测试样本。我们将使用Python编程语言和PyTorch深度学习框架来实现这个任务。
在Conda虚拟环境下安装pytorch
# CUDA 11.6
pip install torch1.12.1cu116 torchvision0.13.1cu116 torchaudio0.12.1 --extra-index-url https://download.pytorch.org/whl/cu116
# CUDA 11.3
pip install torch1.12.1cu113 torchvision0.13.1cu113 torchaudio0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
# CUDA 10.2
pip install torch1.12.1cu102 torchvision0.13.1cu102 torchaudio0.12.1 --extra-index-url https://download.pytorch.org/whl/cu102
# CPU only
pip install torch1.12.1cpu torchvision0.13.1cpu torchaudio0.12.1 --extra-index-url https://download.pytorch.org/whl/cpu步骤一利用代码自动下载mnist数据集
import torchvision.datasets as datasets
import torchvision.transforms as transforms # 定义数据预处理操作
transform transforms.Compose([transforms.Resize(224), # 将图像大小调整为(224, 224)transforms.ToTensor(), # 将图像转换为PyTorch张量transforms.Normalize((0.5,), (0.5,)) # 对图像进行归一化
])# 下载并加载MNIST数据集
train_dataset datasets.MNIST(root./data, trainTrue, transformtransform, downloadTrue)
test_dataset datasets.MNIST(root./data, trainFalse, transformtransform)步骤二搭建基于VGG16的图像分类模型
class VGGClassifier(nn.Module):def __init__(self, num_classes):super(VGGClassifier, self).__init__()self.features models.vgg16(pretrainedTrue).features # 使用预训练的VGG16模型作为特征提取器# 重构VGG16网络的第一层卷积层适配mnist数据的灰度图像格式self.features[0] nn.Conv2d(1, 64, kernel_size(3, 3), stride(1, 1), padding(1, 1))self.classifier nn.Sequential(nn.Linear(512 * 7 * 7, 4096), # 添加一个全连接层输入特征维度为512x7x7输出维度为4096nn.ReLU(True),nn.Dropout(), # 随机将一些神经元“关闭”这样可以有效地防止过拟合。nn.Linear(4096, 4096), # 添加一个全连接层输入和输出维度都为4096nn.ReLU(True),nn.Dropout(),nn.Linear(4096, num_classes), # 添加一个全连接层输入维度为4096输出维度为类别数10)self._initialize_weights() # 初始化权重参数def forward(self, x):x self.features(x) # 通过特征提取器提取特征x x.view(x.size(0), -1) # 将特征张量展平为一维向量x self.classifier(x) # 通过分类器进行分类预测return xdef _initialize_weights(self): # 定义初始化权重的方法使用Xavier初始化方法for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight, modefan_out, nonlinearityrelu)if m.bias is not None:nn.init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):nn.init.normal_(m.weight, 0, 0.01)nn.init.constant_(m.bias, 0)步骤三训练模型
import torch.optim as optim
from torch.utils.data import DataLoader # 定义超参数和训练参数
batch_size 64 # 批处理大小
num_epochs 5 # 训练轮数
learning_rate 0.01 # 学习率
num_classes 10 # 类别数MNIST数据集有10个类别
device torch.device(cuda if torch.cuda.is_available() else cpu) # 判断是否使用GPU进行训练如果有GPU则使用GPU进行训练否则使用CPU。# 定义训练集和测试集的数据加载器
train_loader DataLoader(datasettrain_dataset, batch_sizebatch_size, shuffleTrue)
test_loader DataLoader(datasettest_dataset, batch_sizebatch_size, shuffleFalse) # 初始化模型和优化器
model VGGClassifier(num_classesnum_classes).to(device) # 将模型移动到指定设备GPU或CPU
criterion nn.CrossEntropyLoss() # 使用交叉熵损失函数
optimizer optim.SGD(model.parameters(), lrlearning_rate) # 使用随机梯度下降优化器SGD # 训练模型
for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): images images.to(device) # 将图像数据移动到指定设备 labels labels.to(device) # 将标签数据移动到指定设备 # 前向传播 outputs model(images) loss criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() # 清空梯度缓存 loss.backward() # 计算梯度 optimizer.step() # 更新权重参数 if (i1) % 100 0: # 每100个batch打印一次训练信息 print(Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}.format(epoch1, num_epochs, i1, len(train_loader), loss.item())) # 保存模型参数
torch.save(model.state_dict(), ./model.pth)步骤四测试模型
# 加载训练好的模型参数
model.load_state_dict(torch.load(./model.pth))
model.eval() # 将模型设置为评估模式关闭dropout等操作# 定义评估指标变量
correct 0 # 记录预测正确的样本数量
total 0 # 记录总样本数量# 测试模型性能
with torch.no_grad(): # 关闭梯度计算节省内存空间for images, labels in test_loader:images images.to(device) # 将图像数据移动到指定设备labels labels.to(device) # 将标签数据移动到指定设备outputs model(images) # 模型前向传播得到预测结果_, predicted torch.max(outputs.data, 1) # 取预测结果的最大值对应的类别作为预测类别total labels.size(0) # 更新总样本数量correct (predicted labels).sum().item() # 统计预测正确的样本数量# 计算模型准确率并打印出来
accuracy 100 * correct / total # 计算准确率将正确预测的样本数量除以总样本数量并乘以100得到百分比形式的准确率。
print(Accuracy of the model on the test images: {} %.format(accuracy)) # 打印出模型的准确率。
运行结果 后续模型的优化和改进建议
数据增强通过旋转、缩放、平移等方式来增加训练数据从而让模型拥有更好的泛化能力。调整模型参数可以尝试调整模型的参数比如学习率、批次大小、迭代次数等来提高模型的性能。更换网络结构可以尝试使用更深的网络结构如ResNet、DenseNet等来提高模型的性能。调整优化器本次代码采用SGD优化器但仍可以尝试使用不同的优化器如Adam、RMSprop等来找到最适合我们模型的优化器。添加正则化操作为了防止过拟合可以添加一些正则化项如L1正则化、L2正则化等。代码目前只有等训练完全结束后才能进入测试阶段后续可以在每个epoch结束甚至是指定的迭代次数完成后便进入测试阶段。因为训练完全结束的模型很可能已经过拟合在测试集上不能表现较强的泛化能力。
完整代码
import torch
import torch.nn as nnimport torch.optim as optim
from torch.utils.data import DataLoaderimport torchvision.models as models
import torchvision.datasets as datasets
import torchvision.transforms as transformsimport warnings
warnings.filterwarnings(ignore)# 定义数据预处理操作
transform transforms.Compose([transforms.Resize(224), # 将图像大小调整为(224, 224)transforms.ToTensor(), # 将图像转换为PyTorch张量transforms.Normalize((0.5,), (0.5,)) # 对图像进行归一化
])# 下载并加载MNIST数据集
train_dataset datasets.MNIST(root./data, trainTrue, transformtransform, downloadTrue)
test_dataset datasets.MNIST(root./data, trainFalse, transformtransform)class VGGClassifier(nn.Module):def __init__(self, num_classes):super(VGGClassifier, self).__init__()self.features models.vgg16(pretrainedTrue).features # 使用预训练的VGG16模型作为特征提取器# 重构网络的第一层卷积层适配mnist数据的灰度图像格式self.features[0] nn.Conv2d(1, 64, kernel_size(3, 3), stride(1, 1), padding(1, 1))self.classifier nn.Sequential(nn.Linear(512 * 7 * 7, 4096), # 添加一个全连接层输入特征维度为512x7x7输出维度为4096nn.ReLU(True),nn.Dropout(), # 随机将一些神经元“关闭”有效地防止过拟合。nn.Linear(4096, 4096), # 添加一个全连接层输入和输出维度都为4096nn.ReLU(True),nn.Dropout(),nn.Linear(4096, num_classes), # 添加一个全连接层输入维度为4096输出维度为类别数10)self._initialize_weights() # 初始化权重参数def forward(self, x):x self.features(x) # 通过特征提取器提取特征x x.view(x.size(0), -1) # 将特征张量展平为一维向量x self.classifier(x) # 通过分类器进行分类预测return xdef _initialize_weights(self): # 定义初始化权重的方法使用Xavier初始化方法for m in self.modules():if isinstance(m, nn.Conv2d):nn.init.kaiming_normal_(m.weight, modefan_out, nonlinearityrelu)if m.bias is not None:nn.init.constant_(m.bias, 0)elif isinstance(m, nn.Linear):nn.init.normal_(m.weight, 0, 0.01)nn.init.constant_(m.bias, 0)# 定义超参数和训练参数
batch_size 64 # 批处理大小
num_epochs 5 # 训练轮数epoch
learning_rate 0.01 # 学习率learning rate
num_classes 10 # 类别数MNIST数据集有10个类别
device torch.device(cuda:0 if torch.cuda.is_available() else cpu) # 判断是否使用GPU进行训练如果有GPU则使用第一个GPUcuda:0进行训练否则使用CPU进行训练。# 定义数据加载器
train_loader DataLoader(datasettrain_dataset, batch_sizebatch_size, shuffleTrue)
test_loader DataLoader(datasettest_dataset, batch_sizebatch_size, shuffleFalse)# 初始化模型和优化器
model VGGClassifier(num_classesnum_classes).to(device) # 将模型移动到指定设备GPU或CPU
criterion nn.CrossEntropyLoss() # 使用交叉熵损失函数
optimizer optim.SGD(model.parameters(), lrlearning_rate) # 使用随机梯度下降优化器SGD# 训练模型
for epoch in range(num_epochs):for i, (images, labels) in enumerate(train_loader):images images.to(device) # 将图像数据移动到指定设备labels labels.to(device) # 将标签数据移动到指定设备# 前向传播outputs model(images)loss criterion(outputs, labels)# 反向传播和优化optimizer.zero_grad() # 清空梯度缓存loss.backward() # 计算梯度optimizer.step() # 更新权重参数if (i 1) % 100 0: # 每100个batch打印一次训练信息print(Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}.format(epoch 1, num_epochs, i 1, len(train_loader),loss.item()))# 训练结束保存模型参数
torch.save(model.state_dict(), ./model.pth)# 加载训练好的模型参数
model.load_state_dict(torch.load(./model.pth))
model.eval() # 将模型设置为评估模式关闭dropout等操作# 定义评估指标变量
correct 0 # 记录预测正确的样本数量
total 0 # 记录总样本数量# 测试模型性能
with torch.no_grad(): # 关闭梯度计算节省内存空间for images, labels in test_loader:images images.to(device) # 将图像数据移动到指定设备labels labels.to(device) # 将标签数据移动到指定设备outputs model(images) # 模型前向传播得到预测结果_, predicted torch.max(outputs.data, 1) # 取预测结果的最大值对应的类别作为预测类别total labels.size(0) # 更新总样本数量correct (predicted labels).sum().item() # 统计预测正确的样本数量# 计算模型准确率并打印出来
accuracy 100 * correct / total # 计算准确率将正确预测的样本数量除以总样本数量并乘以100得到百分比形式的准确率。
print(Accuracy of the model on the test images: {} %.format(accuracy)) # 打印出模型的准确率。结束语
如果本博文对你有所帮助/启发可以点个赞/收藏支持一下如果能够持续关注小编感激不尽~ 如果有相关需求/问题需要小编帮助欢迎私信~ 小编会坚持创作持续优化博文质量给读者带来更好de阅读体验~
