基于resnet的花卉识别神经网络_resnet花卉识别-CSDN博客

本文链接：https://blog.csdn.net/2205_75881260/article/details/136591969

本文详细介绍了如何进行数据预处理，包括训练集和测试集的选择、图像增强技术，以及如何使用PyTorch构建神经网络模型（如ResNet、AlexNet等），涉及超参数设置、数据加载、模型训练、优化器配置和学习率调整。

摘要由CSDN通过智能技术生成

第一步：数据的预处理

1.训练集和测试集数据的路径

#指定数据的路径
data_dir='/Users/macbook/Desktop/flower_data/'
train_dir=data_dir+'/train'
valid_dir=data_dir+'/valid'

2.训练集的图像增强Image Augmentation

Image Augmentation:只需要在训练集中进行，测试集不需要进行数据增强操作

transforms:用来进行图像增强操作

data_tansforms={
#数据增强Data Augmentation  训练集需要进行数据增强
    'train':transforms.Compose(
        [transforms.RandomRotation(45),#随机旋转，表示图像在-45～45度之间随机旋转
         #对于比较大的图像，如1024*1024的图像，应该先要经过resize操作，变成256*256大小，再从中心开始裁剪成224*224
         transforms.CenterCrop(224),#从中心开始裁剪，裁成224*224尺寸的图像
         transforms.RandomHorizontalFlip(p=0.5),#随机水平翻转，50%可能性执行水平翻转
         transforms.RandomVerticalFlip(p=0.5),#随机垂直翻转，50%可能性执行垂直翻转
         #参数1是亮度，参数2是对比度，参数3是饱和度，参数4是色相
         transforms.ColorJitter(brightness=0.2,contrast=0.1,saturation=0.1,hue=0.1),
         #2.5%的可能性把当前图像转换成灰度图
         transforms.RandomGrayscale(p=0.025),
         transforms.ToTensor(),#把数据转换成Tensor格式
         transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])#均值和标准差，标准化操作
    ]),

#验证集不需要进行数据增强：图片大小和标准化操作
    'valid':transforms.Compose(
        [
            transforms.Resize(256),#验证集图像的大小并不确定，所以要将图像缩放成256*256
            transforms.CenterCrop(224),#从图片的中心裁剪成224*224大小
            transforms.ToTensor(),#将数据转换成Tensor格式
            transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])#均值和标准差，标准化操作
        ]
    ),
}

第二步：数据的读取

1.定义超参数

#定义超参数
batch_size=8

2.训练集和测试集的读取

#训练集和测试集的数据读取：image_datasets
image_datasets={
    x:datasets.ImageFolder(os.path.join(data_dir,x),data_tansforms[x])
    for x in ['train','valid']
}

3.构建batch数据，DataLoader用来迭代取数据

#构建batch数据，DataLoader用来迭代取数据：dataLoaders
dataloaders={
    x:data.DataLoader(image_datasets[x],batch_size=batch_size,shuffle=True)
    for x in ['train','valid']
}

4.参数：训练集和测试集的大小，花卉种类的名称

#训练集和测试集的大小
dataset_sizes={
    x:len(image_datasets[x])