pytorch尝试入门VGG，实现猫狗分类的baseline

最新推荐文章于 2024-04-04 10:21:01 发布
最新推荐文章于 2024-04-04 10:21:01 发布
阅读量677 收藏
点赞数
文章标签： pytorch 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BohnLee/article/details/121319956
版权

照着教程【实战 VGG实现kaggle猫狗图片分类】完整流程 | 提供VGG11，VGG13，VGG16，VGG19 Pytorch 代码写了一下午。做一下学习笔记。

模型如下

关于报错

 第一反应去看评论区，没人提到这个问题，应该是我手残打错了。再看看报错信息，提示两个矩阵不能相乘。按照我浅薄的理解，因为模型的输入需要一个固定的大小，我们应该是在初始化MyDataset的时候就已经把输入图片的矩阵resize成(224, 224)的形状了。

前面这个32应该是我设置的batch_size没错。但是问题来了，224*224=50176，这和上面的四个数字都没有直接关系，正好是100352的一半。再看看后面这个数字，25088=512*7*7，512是最后一个卷积层的输出维度，这没有问题。

突然在注意到VGG 11的定义。

再一看我的网络，怎么只有13层，果然少了一个block，加上后正好输出的通道数再翻一番。这样就是100352了。

现在的模型是这样的：

为什么要用Xavier做初始化

为什么要resize成（224*224）？是怎么resize的？

为什么每经过一个block，通道数都要（会）翻倍？

5.7. 使用重复元素的网络（VGG） — 《动手学深度学习》 文档

Why VGG-16 takes input size 512 * 7 * 7?

neural network - Why VGG-16 takes input size 512 * 7 * 7? - Stack Overflow

为什么使用2个3x3卷积核可以来代替5*5卷积核？

feature map指的是什么？

理解卷积神经网络CNN中的特征图 feature map_dengheCSDN的博客-CSDN博客

BohnLee
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch使用VGG16模型进行预测猫狗二分类
qq_43649937的博客
07-31 3303
pytorch python
基于Pytorch的猫狗分类
m0_53801612的博客
12-31 4226
期末作业，废了好几天，哎
VGG网络模型
qq_41286360的博客
04-04 1163
VGG是一个经典的深度卷积神经网络模型，它的简单统一的网络结构和深度的网络层次使得它在图像分类任务上取得了优秀的性能。虽然VGG模型的参数较多，计算量较大，但它为深度卷积神经网络的发展和应用奠定了坚实的基础。VGG和AlexNet都是在ImageNet大规模视觉识别挑战赛（ILSVRC）中取得突破性成果的深度卷积神经网络模型。VGG和AlexNet都是深度学习在计算机视觉领域的重要里程碑，它们共同推动了深度学习在图像分类、物体检测和物体定位等任务上的快速发展。
VGG网络详解(实现猫猫和狗狗识别)
fakerth的博客
11-16 2459
VGG网络详解(实现猫猫和狗狗识别)
tensorflow利用vgg19网络做猫狗识别的迁移学习
zhusen123456的博客
06-05 4684
这是本人的第一次博客，写的不好请见谅哈。博主大二小菜鸟一个，欢迎指教和私信。楼主学习tensorflow也有一段时间了，最近尝试了一下用vgg19网络做迁移学习。vgg结构如下:首先下载vgg19网络的mat文件，然后对数据进行预处理，这里博主借用了别人的处理方法，处理好的数据，直接送到了我们预先展开的vgg网络中，注意这里权重是constant，直接把别人训练好的权重拿来初始化，然后最后改一下全...
Keras--基于VGG16卷积神经网络---猫狗分类
m0_54020832的博客
07-14 1290
主要选取了深度学习中VGG16模型，使用tensorflow-gpu2.6.0版本环境对猫狗进行分类
基于pytorch的猫狗分类
05-28
基于pytorch实现简单的猫狗分类。采用了全连接网络；可以用来了解数据加载过程，网络搭建、训练过程
Pytorch中的VGG实现修改最后一层FC
09-18
首先，VGG模型在PyTorch中的实现通常包括多个卷积层模块（Convolutional Layers）和一个分类器（Classifier）模块。分类器模块包含了若干个全连接层，用于将特征映射到不同的类别。例如，VGG19模型的默认分类器包含6...
pytorch实现VGG网络
01-06
使用重复元素的网络（VGG） AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均做了大量的调整。虽然AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供...
基于Pytorch实现Kaggle竞赛“猫狗分类”源码（准确率超过99%）.zip
最新发布
05-10
基于Pytorch实现Kaggle竞赛“猫狗分类”源码（准确率超过99%）.zip基于Pytorch实现Kaggle竞赛“猫狗分类”源码（准确率超过99%）.zip基于Pytorch实现Kaggle竞赛“猫狗分类”源码（准确率超过99%）.zip基于Pytorch...
详解pytorch实现猫狗识别98%附代码
qq_51712037的博客
07-19 2万+
pytorch实现猫狗识别前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 前段时间间做了猫狗识别的项目，采用的是pytorch这个框架，准确率达到了98%,也采用了很多方式，如 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import m
深度学习之基于CNN和VGG19实现猫狗大战
starlet_kiss的博客
08-16 3031
猫狗大战在一开始接触深度学习的时候，实现过，也写过一篇博客。但是当时的理解并不是很深，在做过之前的实验之后，再次接触猫狗大战，就有一些别的体会了。 本次实验基于自己搭建的CNN与VGG19的官方模型，实现猫狗大战。引入混淆矩阵与Accuracy_Loss图观察模型准确率。 1.导入库 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import os,pathlib,PIL from tensorflow
Pytorch学习笔记（I）——预训练模型（六）：VGG19网络结构
lockonlxf的博客
05-21 7419
VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1...
Pytorch学习之猫狗大战
Jolen_xie的博客
04-13 1671
import torch import torchvision.models as models #储存里常用的一些模型 import torch.nn as nn import torch.optim as optim import torch.optim.lr_scheduler as lr_scheduler import time import torchvision.transforms as transforms # 常用的图片变换，例如裁剪、旋转等； from torchvision impo
【PyTorch】构造VGG19网络进行本地图片分类（超详细过程）——项目介绍
See_Star的博客
06-10 6538
一、VGG介绍 二、数据集介绍 Animal Image Dataset(DOG, CAT and PANDA) Dataset for Image Classification Practice 下载地址：https://www.kaggle.com/ashishsaxena2209/animal-image-datasetdog-cat-and-panda 该数据集共包含3类目标：狗、猫和熊猫；每种图片各1000张；图片尺寸不固定；大部分图片为RGB图片，少部分图片为灰度图片，所以在处理数据的时候要注意
pytorch搭建Lstm构建天池算法大赛---心跳信号分类预测baseline
weixin_43918046的博客
10-04 2072
比赛链接天池零基础入门数据挖掘-心跳信号分类预测 。 完整工程代码点击。 这里直接搭建一个baseline，直接跑代码即可。 import pandas as pd import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import
深度学习算法优化系列八 | VGG，ResNet，DenseNe模型剪枝代码实战
I good vegetable a!
01-08 5458
前言 具体原理已经讲过了，见上回的推文。深度学习算法优化系列七 | ICCV 2017的一篇模型剪枝论文，也是2019年众多开源剪枝项目的理论基础 。这篇文章是从源码实战的角度来解释模型剪枝，源码来自：https://github.com/Eric-mingjie/network-slimming 。我这里主要是结合源码来分析每个模型的具体剪枝过程，希望能给你剪枝自己的模型一些启发。 稀疏训练 论...
vgg16对猫狗分类
pureszgd的博客
10-23 1822
from keras.models import Sequential from keras.layers import Conv2D, MaxPool2D, Activation, Dropout, Flatten, Dense from keras.optimizers import SGD from keras.preprocessing.image import ImageDataGen...
简单易懂Pytorch实战实例VGG深度网络
热门推荐
心之所向
04-04 2万+
模型VGG，数据集cifar。对照这份代码走一遍，大概就知道整个pytorch的运行机制。 来源 定义模型： '''VGG11/13/16/19 in Pytorch.''' import torch import torch.nn as nn from torch.autograd import Variable cfg = { 'VGG11': [64, 'M', 128...
pytorch vgg16 猫狗分类
06-28
### 回答1： PyTorch VGG16是一种深度学习模型，可用于猫狗分类任务。该模型使用卷积神经网络（CNN）进行训练，具有16个卷积层和3个全连接层。通过在大量的猫狗图像数据集上进行训练，该模型可以准确地识别猫和狗的图像。在实际应用中，可以使用PyTorch VGG16模型来对新的猫狗图像进行分类，以便进行自动化的图像识别和分类。 ### 回答2： Pytorch是一种广泛应用的深度学习框架，而VGG16是经典卷积神经网络之一，被广泛应用于图像分类问题中。在本次实验中，我们使用Pytorch框架来实现猫狗分类问题。 我们首先需要下载并导入所需的库，比如torch、torchvision、matplotlib等。接下来，我们需要下载数据集。对于猫狗分类问题，我们可以使用Kaggle提供的一个数据集，其中包含25000张图片，5000张为验证集。在训练过程中，我们需要对数据进行预处理和增强，比如随机旋转、裁剪、填充、缩放等，以增加数据的多样性，并防止模型过拟合。 接下来，我们可以构建VGG16卷积神经网络，并对其进行微调。由于该网络已经在大规模的ImageNet数据集上进行了预训练，我们只需要在最后一层加上一个全连接层，并使用softmax激活函数来进行预测。我们可以使用Adam优化器来进行训练，并定义损失函数为交叉熵损失函数。 在训练过程中，我们需要设置一些参数，比如batch size、number of epochs等。我们还需要对模型进行评估，以评估其在验证集上的准确率和损失函数值。 最后，我们可以使用训练好的模型来对新的猫狗图片进行分类。首先，我们需要将图像进行与训练数据一样的预处理。然后，我们可以使用模型进行预测，并输出预测结果。 总的来说，使用Pytorch和VGG16实现猫狗分类问题是一项有趣而挑战性的任务。通过使用预处理技巧和卷积神经网络，我们可以有效地处理这个问题，并得到准确的预测结果。 ### 回答3： 在猫狗分类问题上，PyTorch中的VGG16模型被普遍应用于图像分类问题，它是一种卷积神经网络模型。这个模型基于ImageNet数据集进行训练，可以对各种物体进行分类，包括猫和狗。在猫狗分类项目中，我们可以利用VGG16模型进行特征提取，并利用这些特征进行分类。以下是一个基本的步骤： 1. 数据集准备 在开始训练模型之前，需要先准备好数据集。可以使用训练集和验证集，每个集合分别包含标签为“猫”或“狗”的图像。每张图像的大小和像素数应该相同。 2. 加载数据集 将数据集加载到PyTorch Tensor中，这个步骤可以通过使用torchvision.transforms来进行图像预处理，例如图像缩放、标准化等，这样可以帮助训练更快收敛。 3. 加载VGG16模型 加载预训练的VGG16模型，并将其想要的分类层替换为预训练的VGG16模型的特定层。 4. 特征提取 将图像输入到模型中，获取使用了预训练的VGG16模型的特征映射。 5. 分类 将获取的特征映射传递到分类层中，这个分类层可以是任何全连接层。 6. 训练和验证 使用交叉熵作为损失函数，利用Mini-batch stochastic gradient descent作为优化器，开始训练模型。 7. 发布、测试和评估模型 在测试集上运行模型，并计算其准确度，同时在分类错误的图像中观察，并尝试找出哪些特征基本上错了（即容易混淆猫和狗）。 总的来说，通过利用PyTorch VGG16模型进行猫狗分类，我们可以轻松地创建出一个非常精确的模型来区分猫和狗。这个模型可以被应用于实际的应用场景，例如应用在宠物社交媒体应用程序上，或其他需要对猫和狗进行分类的场景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值