使用Pytorch完成图像分类任务

使用 PyTorch 完成图像分类任务是一个常见的机器学习任务,通常包括数据准备、模型设计、训练和测试等步骤。以下是一个完整的流程示例,帮助你快速入门:

  1. 环境准备

确保你已经安装了 PyTorch 和其他必要的库。如果没有安装,可以通过以下命令安装:

pip install torch torchvision

  1. 数据准备

使用 torchvision 提供的 datasets 和 transforms 模块来加载和预处理数据集。以 CIFAR-10 数据集为例:

import torch

import torchvision

import torchvision.transforms as transforms

数据预处理

transform = transforms.Compose([

transforms.RandomHorizontalFlip(), # 随机水平翻转

transforms.ToTensor(), # 转换为张量

transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 归一化

])

加载数据集

train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)

test_dataset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)

  1. 定义模型

定义一个简单的卷积神经网络(CNN)用于图像分类:

import torch.nn as nn

import torch.nn.functional as F

class SimpleCNN(nn.Module):

def init(self):

super(SimpleCNN, self).init()

self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)

self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)

self.fc1 = nn.Linear(64 * 8 * 8, 128) # CIFAR-10 图像大小为 32x32

self.fc2 = nn.Linear(128, 10) # 输出 10 类

def forward(self, x):

x = F.relu(F.max_pool2d(self.conv1(x), 2))

x = F.relu(F.max_pool2d(self.conv2(x), 2))

x = x.view(-1, 64 * 8 * 8)

x = F.relu(self.fc1(x))

x = self.fc2(x)

return x

model = SimpleCNN()

  1. 定义损失函数和优化器

使用交叉熵损失函数和随机梯度下降(SGD)优化器:

criterion = nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

  1. 训练模型

训练模型并记录训练过程中的损失:

num_epochs = 10

for epoch in range(num_epochs):

model.train()

running_loss = 0.0

for i, (inputs, labels) in enumerate(train_loader):

optimizer.zero_grad()

outputs = model(inputs)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

running_loss += loss.item()

if i % 100 == 99:

print(f"[{epoch + 1}, {i + 1}] loss: {running_loss / 100:.3f}")

running_loss = 0.0

print("Training finished.")

  1. 测试模型

在测试集上评估模型的性能:

model.eval()

correct = 0

total = 0

with torch.no_grad():

for inputs, labels in test_loader:

outputs = model(inputs)

_, predicted = torch.max(outputs.data, 1)

total += labels.size(0)

correct += (predicted == labels).sum().item()

print(f"Accuracy: {100 * correct / total:.2f}%")

  1. 保存和加载模型

保存训练好的模型:

torch.save(model.state_dict(), "simple_cnn.pth")

加载模型:

model = SimpleCNN()

model.load_state_dict(torch.load("simple_cnn.pth"))

model.eval()

总结

以上是一个完整的使用 PyTorch 进行图像分类的流程。你可以根据需要调整模型结构、数据预处理方式和超参数,以获得更好的性能。如果需要处理更复杂的数据集(如 ImageNet),可以考虑使用预训练模型(如 ResNet、VGG 等)来提高效率和性能。

相关推荐
AndrewHZ5 小时前
【图像处理基石】如何对遥感图像进行目标检测?
图像处理·人工智能·pytorch·目标检测·遥感图像·小目标检测·旋转目标检测
墨染点香6 小时前
第七章 Pytorch构建模型详解【构建CIFAR10模型结构】
人工智能·pytorch·python
兮℡檬,9 小时前
房价预测|Pytorch
人工智能·pytorch·python
贝塔西塔21 小时前
PytorchLightning最佳实践基础篇
pytorch·深度学习·lightning·编程框架
小猪和纸箱1 天前
通过Python交互式控制台理解Conv1d的输入输出
pytorch
墨染枫1 天前
pytorch学习笔记-使用DataLoader加载固有Datasets(CIFAR10),使用tensorboard进行可视化
pytorch·笔记·学习
九章云极AladdinEdu2 天前
GitHub新手生存指南:AI项目版本控制与协作实战
人工智能·pytorch·opencv·机器学习·github·gpu算力
z are2 天前
PyTorch 模型开发全栈指南:从定义、修改到保存的完整闭环
人工智能·pytorch·python
点云SLAM2 天前
Pytorch中cuda相关操作详见和代码示例
人工智能·pytorch·python·深度学习·3d·cuda·多gpu训练
cwn_3 天前
Sequential 损失函数 反向传播 优化器 模型的使用修改保存加载
人工智能·pytorch·python·深度学习·机器学习