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.shape[0],-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
油泼辣子多加5 小时前
【实战】自然语言处理--长文本分类(1)DPCNN算法
算法·自然语言处理·分类
张登杰踩5 小时前
工业产品表面缺陷检测方法综述:从传统视觉到深度学习
人工智能·深度学习
DKunYu6 小时前
2.1线性回归
pytorch·python·深度学习·1024程序员节
大象耶8 小时前
计算机视觉六大前沿创新方向
论文阅读·人工智能·深度学习·计算机网络·机器学习
hour_go8 小时前
【知识图谱】图神经网络(GNN)核心概念详解:从消息传递到实战应用
笔记·深度学习·神经网络·1024程序员节
学术头条9 小时前
用视觉压缩文本!清华、智谱推出Glyph框架:通过视觉-文本压缩扩展上下文窗口
人工智能·深度学习·计算机视觉
B站_计算机毕业设计之家11 小时前
基于python人脸识别系统 人脸检测 实时检测 深度学习 Dlib库 ResNet深度卷积神经网络 pyqt设计 大数据(源码)✅
python·深度学习·目标检测·计算机视觉·信息可视化·人脸识别·1024程序员节
Theodore_102212 小时前
机器学习(9)正则化
人工智能·深度学习·机器学习·计算机视觉·线性回归·1024程序员节
Theodore_102212 小时前
机器学习(10)L1 与 L2 正则化详解
人工智能·深度学习·机器学习·梯度下降·1024程序员节
盼小辉丶13 小时前
视觉Transformer实战 | Transformer详解与实现
pytorch·深度学习·transformer·1024程序员节