导航类网站源码,android编程开发,软件开发培训一般要多少钱,怎样创造自己的网站#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 目标
实现CIFAR-10的彩色图片识别实现比P1周更复杂一点的CNN网络
具体实现
#xff08;一#xff09;环境
语言环境#xff1a;Python 3.10 编 译 器: … 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 目标
实现CIFAR-10的彩色图片识别实现比P1周更复杂一点的CNN网络
具体实现
一环境
语言环境Python 3.10 编 译 器: PyCharm 框 架: Pytorch 2.5.1
二具体步骤
1.
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision # 第一步设置GPU
def USE_GPU(): if torch.cuda.is_available(): print(CUDA is available, will use GPU) device torch.device(cuda) else: print(CUDA is not available. Will use CPU) device torch.device(cpu) return device device USE_GPU() 输出CUDA is available, will use GPU # 第二步导入数据。同样的CIFAR-10也是torch内置了可以自动下载
train_dataset torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformtorchvision.transforms.ToTensor())
test_dataset torchvision.datasets.CIFAR10(root./data, trainFalse, downloadTrue, transformtorchvision.transforms.ToTensor()) batch_size 32
train_dataload torch.utils.data.DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue)
test_dataload torch.utils.data.DataLoader(test_dataset, batch_sizebatch_size) # 取一个批次查看数据格式
# 数据的shape为[batch_size, channel, height, weight]
# 其中batch_size为自己设定channelheight和weight分别是图片的通道数高度和宽度。
imgs, labels next(iter(train_dataload))
print(imgs.shape) # 查看一下图片
import numpy as np
plt.figure(figsize(20, 5))
for i, images in enumerate(imgs[:20]): # 使用numpy的transpose将张量C,H, W)转换成H, W, C)便于可视化处理 npimg imgs.numpy().transpose((1, 2, 0)) # 将整个figure分成2行10列并绘制第i1个子图 plt.subplot(2, 10, i1) plt.imshow(npimg, cmapplt.cm.binary) plt.axis(off)
plt.show() 输出 Files already downloaded and verified Files already downloaded and verified torch.Size([32, 3, 32, 32])
# 第三步构建CNN网络
import torch.nn.functional as F num_classes 10 # 因为CIFAR-10是10种类型
class Model(nn.Module): def __init__(self): super(Model, self).__init__() # 提取特征网络 self.conv1 nn.Conv2d(3, 64, 3) self.pool1 nn.MaxPool2d(kernel_size2) self.conv2 nn.Conv2d(64, 64, 3) self.pool2 nn.MaxPool2d(kernel_size2) self.conv3 nn.Conv2d(64, 128, 3) self.pool3 nn.MaxPool2d(kernel_size2) # 分类网络 self.fc1 nn.Linear(512, 256) self.fc2 nn.Linear(256, num_classes) # 前向传播 def forward(self, x): x self.pool1(F.relu(self.conv1(x))) x self.pool2(F.relu(self.conv2(x))) x self.pool3(F.relu(self.conv3(x))) x torch.flatten(x, 1) x F.relu(self.fc1(x)) x self.fc2(x) return x from torchinfo import summary
# 将模型转移到GPU中
model Model().to(device)
summary(model) # 训练模型
loss_fn nn.CrossEntropyLoss() # 创建损失函数
learn_rate 1e-2 # 设置学习率
opt torch.optim.SGD(model.parameters(), lrlearn_rate) # 设置优化器 # 编写训练函数
def train(dataloader, model, loss_fn, optimizer): size len(dataloader.dataset) # 训练集的大小 这里一共是60000张图片 num_batches len(dataloader) # 批次大小这里是187560000/321875) train_acc, train_loss 0, 0 # 初始化训练正确率和损失率都为0 for X, y in dataloader: # 获取图片及标签X-图片y-标签也是实际值 X, y X.to(device), y.to(device) # 计算预测误差 pred model(X) # 网络输出预测值 loss loss_fn(pred, y) # 计算网络输出的预测值和实际值之间的差距 # 反向传播 optimizer.zero_grad() # grad属性归零 loss.backward() # 反向传播 optimizer.step() # 第一步自动更新 # 记录正确率和损失率 train_acc (pred.argmax(1) y).type(torch.float).sum().item() train_loss loss.item() train_acc / size train_loss / num_batches return train_acc, train_loss # 测试函数
def test(dataloader, model, loss_fn): size len(dataloader.dataset) # 测试集大小这里一共是10000张图片 num_batches len(dataloader) # 批次大小 这里312即10000/32312.5,向上取整 test_acc, test_loss 0, 0 # 因为是测试因此不用训练梯度也不用计算不用更新 with torch.no_grad(): for imgs, target in dataloader: imgs, target imgs.to(device), target.to(device) # 计算loss target_pred model(imgs) loss loss_fn(target_pred, target) test_loss loss.item() test_acc (target_pred.argmax(1) target).type(torch.float).sum().item() test_acc / size test_loss / num_batches return test_acc, test_loss # 正式训练
epochs 10
train_acc, train_loss, test_acc, test_loss [], [], [], [] for epoch in range(epochs): model.train() epoch_train_acc, epoch_train_loss train(train_dataload, model, loss_fn, opt) model.eval() epoch_test_acc, epoch_test_loss test(test_dataload, model, loss_fn) train_acc.append(epoch_train_acc) train_loss.append(epoch_train_loss) test_acc.append(epoch_test_acc) test_loss.append(epoch_test_loss) template Epoch:{:2d}, 训练正确率:{:.1f}%, 训练损失率:{:.3f}, 测试正确率{:.1f}%, 测试损失率{:.3f} print(template.format(epoch1, epoch_train_acc * 100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss)) print(Done) # 结果可视化
# 隐藏警告
import warnings
warnings.filterwarnings(ignore) # 忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 正常显示/-号
plt.rcParams[figure.dpi] 100 # 分辨率 epochs_range range(epochs) plt.figure(figsize(12, 3)) plt.subplot(1, 2, 1) # 第一张子图
plt.plot(epochs_range, train_acc, label训练正确率)
plt.plot(epochs_range, test_acc, label测试正确率)
plt.legend(loclower right)
plt.title(训练和测试正确率比较) plt.subplot(1, 2, 2) # 第二张子图
plt.plot(epochs_range, train_loss, label训练损失率)
plt.plot(epochs_range, test_loss, label测试损失率)
plt.legend(locupper right)
plt.title(训练和测试损失率比较) plt.show()# 保存模型
torch.save(model, ./models/cnn-cifar10.pth)再次设置epochs为50训练结果 epochs增加到100训练结果 可以看到训练集和测试集的差距有点大不太理想。做一下数据增加试试
data_transforms { train: transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.ToTensor(), ]), test: transforms.Compose([ transforms.ToTensor(), ])
}在dataset中
train_dataset torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformdata_transforms[train])
test_dataset torchvision.datasets.CIFAR10(root./data, trainFalse, downloadTrue, transformdata_transforms[test])运行结果 比较漂亮了再调整batch_size16和epochs20,提高了近6个百分点。 batch_size16,epochs50:有第20轮左右的时候验证集的确认性基本就没有再提高了。和上面基本一样。
三总结
epochs并不是越多越好。batch_size同样的道理数据增强确实可以提高模型训练的准确性。
