C#部署基于pytorch的图像神经网络分类模型，实现本地化推理_c# pytorch(3)

模型训练过程在Ubuntu(22.04.3) Anaconda(23.1.0) Pytorch(1.8.0+cu111)环境下进行。

1.1 环境搭建

• 具体的安装方法如下连接所示，主要部署基于Pytorch(1.8.0+cu111)的虚拟环境用于模型的搭建和训练。Ubuntu22.04上安装Anaconda3-CSDN博客
• 同时，需要安装一下自己常用的库，因为做模型的训练，我这里为了方便起见，还需要安装一下timm库。

pip install timm

1.2 数据集准备

• 使用ImageFolder对数据进行加载

train_dataset = datasets.ImageFolder(root=args.TrainFolder, transform=data_train_transform)
test_dataset = datasets.ImageFolder(root=args.TestFolder, transform=data_test_transform)
print(train_dataset.class_to_idx)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True,num_workers=4,drop_last=True,pin_memory=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False,num_workers=4,pin_memory=True)

• data_train_transform与data_test_transform数据预处理方法为，此处不写正则化，是想着简化后面在C#中的预处理步骤(统一除以255即可)

data_train_transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.GaussianBlur(kernel_size=(5,5),sigma=(0.1,0.3)),
    transforms.RandomResizedCrop((224,224)),
    # transforms.Resize((224,224)),
    #Cutout(),
    
    transforms.ToTensor(),
    # transforms.Normalize(mean=[0.49404827, 0.49592876, 0.4070973],
    #                      std=[0.2071776, 0.2007362, 0.21388549])
])

data_test_transform = transforms.Compose([
    transforms.Resize((224,224)),
    transforms.ToTensor(),
    # transforms.Normalize(mean=[0.5006999, 0.50564367, 0.40601832],
    #                      std=[0.21505603, 0.2077407, 0.2244142])
])

1.3 训练过程搭建

• 我们直接使用timm库选择模型结构，因为后面C#选择CPU对模型进行推理，所以选择参数量和计算复杂度低的模型，这块我选择的是mobilevit。

model = timm.create_model('timm/mobilevit_xxs.cvnets_in1k',num_classes=args.num_classes,pretrained=True                                                  ,pretrained_cfg_over