CIFAR10彩色图片识别

CIFAR10彩色图片识别 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊文章目录CIFAR10彩色图片识别前言一、准备工作1.项目环境2.设置CPU3.下载数据集3.加载数据集4.从数据集里取一个批次的图片和标签进行数据可视化二、构建CNN网络三、加载并打印模型四、训练模型1.设置超参数2.编写训练函数3.编写测试函数4.正式训练五、结果可视化前言本文章旨在基于CIFAR10彩色图片识别学习构建CNN网络。一、准备工作1.项目环境#语言环境python 3.9#编译环境jupyter lab#深度学习环境 torch1.12.1cu113 torchvision0.13.1cu113tips:如何查看python版本以及相关库版本!python--version#输出python版本#在jupyter lab运行该指令需要加!,vscode或者pycharm则不用。importtorch;print(torch.__version__)#输出torch版本importtorchvision;print(torchvision.__version__)#输出torchvision版本运行结果如下Python3.9.251.12.1cu1130.13.1cu1132.设置CPUimporttorchimporttorch.nnasnn#nn Neural Network神经网络#用来快速搭建层卷积层、全连接层、激活函数、损失函数等importmatplotlib.pyplotasplt#画图工具用来显示图片、绘制损失曲线、可视化结果importtorchvision#作用计算机视觉专用库#提供现成数据集#提供常用模型#提供图片预处理工具devicetorch.device(cpu)device运行结果如下device(typecpu)3.下载数据集使用torchvision.datasets函数下载CIFAR10数据集train_dstorchvision.datasets.CIFAR10(data,trainTrue,transformtorchvision.transforms.ToTensor(),# 将数据类型转化为TensordownloadTrue)test_dstorchvision.datasets.CIFAR10(data,trainFalse,transformtorchvision.transforms.ToTensor(),# 将数据类型转化为TensordownloadTrue)3.加载数据集使用torch.utils.data.DataLoader函数加载CIFAR10数据集batch_size32#每个批次取得的样本数train_dltorch.utils.data.DataLoader(train_ds,#训练集batch_sizebatch_size,#批次大小shuffleTrue)#整个数据集整体随机打乱顺序后按批次大小取数test_dltorch.utils.data.DataLoader(test_ds,batch_sizebatch_size)4.从数据集里取一个批次的图片和标签进行数据可视化importnumpyasnp#从数据集里取一个批次的图片和标签imgs,labelsnext(iter(train_dl))# 指定图片大小图像大小为20宽、5高的绘图(单位为英寸inch)plt.figure(figsize(20,5))fori,imgsinenumerate(imgs[:20]):# 维度缩减npimgnp.squeeze(imgs.numpy())# 将整个figure分成4行5列绘制第i1个子图。plt.subplot(4,5,i1)plt.imshow(npimg,cmapplt.cm.binary)plt.axis(off)运行结果如下二、构建CNN网络importtorch.nn.functionalasF num_classes10# 图片的类别数classModel(nn.Module):def__init__(self):super().__init__()# 特征提取网络self.conv1nn.Conv2d(3,64,kernel_size3)# 第一层卷积,卷积核大小为3*3self.pool1nn.MaxPool2d(kernel_size2)# 设置池化层池化核大小为2*2self.conv2nn.Conv2d(64,64,kernel_size3)# 第二层卷积,卷积核大小为3*3self.pool2nn.MaxPool2d(kernel_size2)self.conv3nn.Conv2d(64,128,kernel_size3)# 第二层卷积,卷积核大小为3*3self.pool3nn.MaxPool2d(kernel_size2)# 分类网络self.fc1nn.Linear(512,256)self.fc2nn.Linear(256,num_classes)# 前向传播defforward(self,x):xself.pool1(F.relu(self.conv1(x)))xself.pool2(F.relu(self.conv2(x)))xself.pool3(F.relu(self.conv3(x)))xtorch.flatten(x,start_dim1)xF.relu(self.fc1(x))xself.fc2(x)returnx网络数据shape变化过程为3, 32, 32输入数据- 64, 30, 30经过卷积层1- 64, 15, 15经过池化层1- 64, 13, 13经过卷积层2- 64, 6, 6经过池化层2- 128, 4, 4经过卷积层3 - 128, 2, 2经过池化层3- 512 - 256 - num_classes(10)三、加载并打印模型fromtorchinfoimportsummary# 将模型转移到CPU中modelModel().to(device)summary(model)运行结果如下四、训练模型1.设置超参数loss_fnnn.CrossEntropyLoss()# 创建损失函数learn_rate1e-2# 学习率opttorch.optim.SGD(model.parameters(),lrlearn_rate)2.编写训练函数# 训练循环deftrain(dataloader,model,loss_fn,optimizer):sizelen(dataloader.dataset)# 训练集的大小一共60000张图片num_batcheslen(dataloader)# 批次数目187560000/32train_loss,train_acc0,0# 初始化训练损失和正确率forX,yindataloader:# 获取图片及其标签X,yX.to(device),y.to(device)# 计算预测误差predmodel(X)# 网络输出lossloss_fn(pred,y)# 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad()# grad属性归零loss.backward()# 反向传播optimizer.step()# 每一步自动更新# 记录acc与losstrain_acc(pred.argmax(1)y).type(torch.float).sum().item()train_lossloss.item()train_acc/size train_loss/num_batchesreturntrain_acc,train_loss3.编写测试函数deftest(dataloader,model,loss_fn):sizelen(dataloader.dataset)# 测试集的大小一共10000张图片num_batcheslen(dataloader)# 批次数目31310000/32312.5向上取整test_loss,test_acc0,0# 当不进行训练时停止梯度更新节省计算内存消耗withtorch.no_grad():forimgs,targetindataloader:imgs,targetimgs.to(device),target.to(device)# 计算losstarget_predmodel(imgs)lossloss_fn(target_pred,target)test_lossloss.item()test_acc(target_pred.argmax(1)target).type(torch.float).sum().item()test_acc/size test_loss/num_batchesreturntest_acc,test_loss4.正式训练epochs10train_loss[]train_acc[]test_loss[]test_acc[]forepochinrange(epochs):model.train()epoch_train_acc,epoch_train_losstrain(train_dl,model,loss_fn,opt)model.eval()epoch_test_acc,epoch_test_losstest(test_dl,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}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%Test_loss:{:.3f})print(template.format(epoch1,epoch_train_acc*100,epoch_train_loss,epoch_test_acc*100,epoch_test_loss))print(Done)运行结果如下五、结果可视化importmatplotlib.pyplotasplt#隐藏警告importwarnings warnings.filterwarnings(ignore)#忽略警告信息plt.rcParams[font.sans-serif][SimHei]# 用来正常显示中文标签plt.rcParams[axes.unicode_minus]False# 用来正常显示负号plt.rcParams[figure.dpi]100#分辨率fromdatetimeimportdatetime current_timedatetime.now()# 获取当前时间epochs_rangerange(epochs)plt.figure(figsize(12,3))plt.subplot(1,2,1)plt.plot(epochs_range,train_acc,labelTraining Accuracy)plt.plot(epochs_range,test_acc,labelTest Accuracy)plt.legend(loclower right)plt.title(Training and Validation Accuracy)plt.xlabel(current_time)# 打卡请带上时间戳否则代码截图无效plt.subplot(1,2,2)plt.plot(epochs_range,train_loss,labelTraining Loss)plt.plot(epochs_range,test_loss,labelTest Loss)plt.legend(locupper right)plt.title(Training and Validation Loss)plt.show()运行结果如下