12.04 深度学习-用CNN做图像分类+训练可视化

数据集要找对应功能的数据集 分类找分类 目标检测用目标检测的

使用labelimg 标注工具 要先pip 然后进行标注和保存 图片和 lables 应该在同一个文件夹里面 lables文件是一个txt 记录了分类 中心店坐标 高度宽度 都是归一化的 横坐标/图像宽度

使用labelme 进行图像分割的标注 生成一个json文件 里面有分割的点坐标没有标准化的 和路径等信息

分类 目标检测labelimg 目标分割labelme 不一

import torch

import os

import wandb

from torch import nn

from torch import optim

from torch.utils.data import DataLoader,TensorDataset

from torch.utils.tensorboard import SummaryWriter

from torchvision import transforms

from torchvision.utils import make_grid

from torchvision.models import vgg16

from torchvision.datasets import MNIST,ImageFolder # 训练集和验证集分开下 通过train 设置下载哪一个 并且用transforms.conpose 组合转换器可以有标准化 转tensor

current_path=os.path.dirname(file)

data_path=os.path.join(current_path,"datasets")

rel_path=os.path.relpath(data_path)

print(rel_path)

定义神经网络 卷积 池化 全连接

def demo1():

wandb.init(

# set the wandb project where this run will be logged

project="CNN做图像分类测试", # 工程名

# track hyperparameters and run metadata

config={

"learning_rate": 0.01, # 模型的学习率

"architecture": "CNN", # 模型是CNN

"dataset": "MNIST", # 数据集名称

"epochs": 5,# 轮次

}

)

writer=SummaryWriter()

class MyNet(nn.Module):

def init(self, *args, **kwargs):

super().init(*args, **kwargs)

这里是可以看别人网路的图来指定网络 s代表池化 c代表卷积 layer代表线性

self.hidden1=nn.Sequential(nn.Conv2d(1,6,kernel_size=5),nn.ReLU())

self.hidden2=nn.Sequential(nn.MaxPool2d(kernel_size=2,stride=2))

self.hidden3=nn.Sequential(nn.Conv2d(6,16,kernel_size=5),nn.ReLU())

线性层要拉平算

self.hidden4=nn.Sequential(nn.Linear(16*5*5,120),nn.ReLU())

self.hidden5=nn.Sequential(nn.Linear(120,84),nn.ReLU())

self.out=nn.Sequential(nn.Linear(84,10),nn.Softmax(dim=1))

def forward(self,x):

x=self.hidden1(x)

x=self.hidden2(x)

x=self.hidden3(x)

x=self.hidden2(x)

x=x.view(x.shape0,-1)

x=self.hidden4(x)

x=self.hidden5(x)

return self.out(x)

定义一个转化器

transforms1=transforms.Compose(transforms.ToTensor(),transforms.Resize((32,32))) # transforms.Compose()方法为transforms组合转化器 里面传入一个列表 列表里面的元素是 transforms的转化器

数据的获取

data_train=MNIST(root=rel_path,train=True,transform=transforms1)

data_train分批次

dataLoader1=DataLoader(data_train,batch_size=64,shuffle=True)

循环轮次

epochs=50

实例化模型

net1=MyNet()

优化器

optim1=optim.Adam(net1.parameters(),lr=0.01)

损失函数

loss_func=nn.CrossEntropyLoss()

开始训练

for i in range(epochs):

for x_train,y_train in dataLoader1:

前向传播

y_pre=net1(x_train)

损失

loss=loss_func(y_pre,y_train)

清空梯度

optim1.zero_grad()

反向

loss.backward()

梯度更新

optim1.step()

writer.add_scalar("loss", loss)

for x in x_train:

writer.add_image(tag="epoch:{i}",img_tensor=x)

img_grid = make_grid(x)

if i>3:

writer.add_image(f"r_m_{i}_", x,global_step=1)

writer.add_graph(net1,torch.rand(1,1,32,32))

writer.close()

wandb.log({"loss": loss}) # 登记

wandb.watch(net1, log="all", log_graph=True)

wandb.finish()

def demo2():

使用自己其他地方下载的分类数据集 这个文件夹要满足一个结构 文件名

data_train=ImageFolder()# 传入路径根路径 transform is是否是验证集

使用经典的模型 在torchvision.datasets 的model里面

vgg=vgg16()

pass

if name=="main":

demo1()

pass

相关推荐
汤姆宝库4 小时前
RoPE旋转位置编码的实现与长上下文外推
python·深度学习·机器学习
tellmewhoisi4 小时前
深度学习0:数学知识:(L1正则化和L2正则化)
人工智能·深度学习
AI小怪兽6 小时前
你的视觉基础模型会说“植物语“吗?面向目标检测的视觉基础模型植物语法
人工智能·深度学习·机器学习
罗西的思考1 天前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
tellmewhoisi1 天前
深度学习0:数学知识:(雅可比矩阵)
人工智能·深度学习·矩阵
谙弆悕博士1 天前
从“预测下一个词”到“预测世界下一状态”:世界模型是不是下一个AGI叙事?
人工智能·gpt·深度学习·神经网络·agi·jepa·genie 4
咕泡科技1 天前
关于机器学习,如何通俗理解全连接层(fully connected layer)?
人工智能·深度学习·机器学习
电科_银尘1 天前
【大模型算法与工程 05】分类、回归与排序指标:怎样评价一个模型
算法·分类·回归
电科_银尘2 天前
【深度学习项目实战·22】灰度图像着色:用小型U-Net学习从灰度到RGB
人工智能·深度学习·学习