Pytorch学习(二)—— Dataset类

上文我们已经配置好环境,接下来进入实战环节。

Dataset类实战

查看image的各种属性

首先在pycharm中创建py文件。

从torch中导入Dataset。

因为我们要对图像进行处理,我们再导入PIL(Python Imaging Library)

查看文件路径,导入os

在python console(容易查看各种属性)中重复上述操作:

查看一张照片:

右键照片位置-复制路径-选择absolute(绝对路径)

用img_path接收,用img读取。

(注意是双\)

console的右边就有信息:

打开img有更详细的信息,在console中用img.xx查看。

eg.

创建一个子类,继承父类Dataset

重写父类方法,init和getitem。

想通过idx返回图片地址的话,首先创建图片列表

这下就可以在getitem中实现对图片的读取了。

再写一下返回len:

创建两个对象ants和bees,二者可以用"+"创建集合。

这个对于后续想扩展数据集结合训练很有用。

  • 10
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
以下是一个简单的基于PyTorch的水果分识别代码示例。这个例子使用了一个经典的卷积神经网络架构——AlexNet,来进行水果分任务。 ```python import torch import torchvision import torchvision.transforms as transforms import torch.optim as optim import torch.nn as nn import torch.nn.functional as F # Define the neural network architecture (AlexNet) class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2) self.pool1 = nn.MaxPool2d(kernel_size=3, stride=2) self.conv2 = nn.Conv2d(64, 192, kernel_size=5, padding=2) self.pool2 = nn.MaxPool2d(kernel_size=3, stride=2) self.conv3 = nn.Conv2d(192, 384, kernel_size=3, padding=1) self.conv4 = nn.Conv2d(384, 256, kernel_size=3, padding=1) self.conv5 = nn.Conv2d(256, 256, kernel_size=3, padding=1) self.pool3 = nn.MaxPool2d(kernel_size=3, stride=2) self.fc1 = nn.Linear(256 * 6 * 6, 4096) self.dropout1 = nn.Dropout() self.fc2 = nn.Linear(4096, 4096) self.dropout2 = nn.Dropout() self.fc3 = nn.Linear(4096, 1000) def forward(self, x): x = self.pool1(F.relu(self.conv1(x))) x = self.pool2(F.relu(self.conv2(x))) x = F.relu(self.conv3(x)) x = F.relu(self.conv4(x)) x = self.pool3(F.relu(self.conv5(x))) x = x.view(-1, 256 * 6 * 6) x = self.dropout1(F.relu(self.fc1(x))) x = self.dropout2(F.relu(self.fc2(x))) x = self.fc3(x) return x # Define the loss function and optimizer criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # Load the dataset transform = transforms.Compose( [transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])]) trainset = torchvision.datasets.ImageFolder(root='./fruits-360/Training', transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=2) testset = torchvision.datasets.ImageFolder(root='./fruits-360/Test', transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False, num_workers=2) # Train the network for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100)) running_loss = 0.0 # Test the network correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 在这个例子中,我们使用了一个包含1000个别的数据集——Fruits-360。这个数据集包含了多种水果的图片,我们的任务是使用这些图片来训练一个神经网络模型,让它可以对这些水果进行分。 我们首先定义了一个AlexNet网络模型,然后定义了损失函数和优化器。接着我们使用PyTorch内置的数据加载器来加载数据集,并且使用这些数据来训练我们的模型。最后,我们使用测试集来评估我们的模型的准确率。 这只是一个简单的例子,实际上水果识别任务可能会比这个复杂得多。但是,如果您想要更深入地了解如何使用PyTorch进行机器学习,我建议您参考一些更详细的教程和资料。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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