pytorch学习笔记（一）cifar10分类

最新推荐文章于 2023-05-30 17:39:36 发布
最新推荐文章于 2023-05-30 17:39:36 发布
阅读量224 收藏
点赞数
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/creator180/article/details/92799640
版权 
"""prepare the data"""
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
        [transforms.ToTensor(),
        transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])
trainset = torchvision.datasets.CIFAR10(root = './data',train = True,download = True,transform = transform)
trainloader = torch.utils.data.DataLoader(trainset,batch_size = 4,shuffle = True,num_workers = 2)
testset = torchvision.datasets.CIFAR10(root = './data',train = False,download = True,transform = transform)
testloader = torch.utils.data.DataLoader(testset,batch_size = 4,shuffle = False,num_workers = 2)
classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
"""prepare the net&
最低0.47元/天 解锁文章
hellosonny
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pytorch学习：图像分类入门！使用CIFAR-10数据集，完整地创建深度神经网络进行训练、测试并保存和读取
鳄鱼的博客
07-16 4181
1. 导入Pytorch以及相关包 本文使用pytorch=1.5.1+cuda10.1 import torch import torch.nn as nn import torch.nn.functional as F import torchvision import torchvision.transforms as transforms import torch.optim as optim import time,os torch.nn是 torch.nn.functional中 torchv
【CIFAR-10】
weixin_39915444的博客
08-11 488
Preprocess of the data: 1. Normalize, one-hot encoding Normalize： Min-Max Normalization (y = (x-min) / (max-min)) ，By applying Min-Max normalization, the original image data is going to be transform...
记录一下对cifar10的残差神经网络进行调参的过程
weixin_72100405的博客
05-30 164
我把SGD改成了Adam，把结果用tensorboard可视化出来，我的目的是找到train的loss在哪个epoch开始收敛，找到以后我再设定从那个批次开始降低lr，查看效果。小白入门，看完CS231N做完了assignment1，把学习到的东西用到cifar10的残差网络里试一下~结果没有原来的SGD效果好，0.009000000000000001验证集的准确率是 82.25。lr=0.001 验证集的准确率可以达到80.16,训练集是80.986。这一篇进行的是学习率的调节。
PyTorch中的CIFAR10数据集
weixin_46191033的博客
01-27 413
PyTorch学习笔记 在Pytorch官方的tutorials里调用过 CIFAR10 数据库。使用以下四句加载数据并生成数据加载器： transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=
[Pytorch] CIFAR-10数据集的训练和模型优化
qq_51533157的博客
01-30 7499
训练模型是个时间较长的过程，如果电脑中有cuda的支持，将可以使用GPU进行训练，减少一定的时间。在神经网络中，有三个部分可以放到GPU中分别是在模型、损失函数以及数据上。首先定义训练设备device然后在程序中模型、损失函数、和数据上使用to函数加入到GPU中。# 模型 model_u = model_u . to(device) # 损失函数 loss_fn = loss_fn . to(device) # 数据 imgs , targets = data。
pytorch学习笔记（一）
qq_39971785的博客
07-08 462
from future import print_function # 必须放在程序开头 import torch x = torch.empty(5, 3) # 创建未初始化矩阵 print(x) x = torch.rand(5, 3) # 创建一个随机初始化矩阵 print(x) 构造一个填满0且数据类型为long的矩阵 x = torch.zeros(5, 3, dtype=torch.long) print(x) 直接从数据构造张量 x = torch.tensor([5.5, 3]) print
pytorch-code-training:pytorch学习笔记
04-07
《PyTorch学习笔记——深度探索与实践》 PyTorch是Facebook的AI研究团队推出的一个开源深度学习框架，以其易用性、灵活性和高效性受到了广大开发者和研究人员的青睐。本篇笔记将深入探讨PyTorch的核心概念、基本...
训练一个图像分类器demo in PyTorch【学习笔记】.doc
07-11
训练一个图像分类器 demo in PyTorch【学习笔记】 本文档主要介绍了使用 PyTorch 训练一个图像分类器的步骤，涵盖了准备数据集、训练图像分类器等方面的知识点。 准备数据集 在准备数据集时，需要将原始数据加载...
pytorch学习日记（从小白到入门的全代码过程和md笔记）
01-19
线性层的使用、搭建小网络和sequential的使用、损失函数的介绍和使用、反向传播的作用和使用、优化器的作用和使用、现有网络模型的使用及修改、模型的保存及加载、完整模型的训练和测试过程以及最后实现一个pytorch...
深度学习pytorch教程
03-03
- 图像分类：使用PyTorch实现经典的LeNet、AlexNet或VGG等模型，进行MNIST或CIFAR-10数据集的图像分类任务。 - 自然语言处理：利用PyTorch的`torchtext`库进行文本数据预处理，构建LSTM或Transformer模型进行情感...
深度学习与PyTorch入门学习教程.txt打包整理.zip
03-05
此外，还要掌握如何加载和预处理数据集，例如MNIST手写数字识别数据集或CIFAR-10图像分类数据集，这些都是常见的深度学习示例。 接下来，学习构建神经网络是至关重要的。PyTorch中的`torch.nn`模块提供了许多预先...
【转】pytorch_torch.transforms常用参数
a_piece_of_ppx的博客
02-24 495
mnist是灰度图，给出的应该是transforms.Normalize((0.1307 ), (0.3081 )) cifar10是transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) imagenet是([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) 原文链接：https://blog.csdn.net/weixin_45885232/article/details/1
Pytorch之CIFAR10
qq_51778415的博客
04-04 805
CIFAR10 该数据集共有60000张彩色图像，每张图像是32x32x3，分为10个类，第类6000张图。 其中50000张用于训练，构成5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据 里，取自10类中的每一类，每一类随机取1000张。 10类分别是：1.airplane, 2.automobile, 3.bird, 4.cat, 5.deer, 6.dog, 7.frog, 8.horse, 9.ship, 10.truck 一、导入包库 import torch
深度学习(八)-CIFAR-10分类
热门推荐
未名湖畔的落叶
04-13 1万+
  CIFAR−10CIFAR-10CIFAR−10 数据集也是神经网络中一个非常经典的数据集，该数据集共有 60000 张彩色图像，这些图像是32*32，分为10个类 [′airplane′,′automobile′,′bird′,′cat′,′deer′,′dog′,′frog′,′horse′,′ship′,′truck′]['airplane', &am...
深度学习基础：5.CIFAR10数据集分类及GPU使用实例
兴趣使然的创作者
07-13 1132
上篇博文整理了如何用Pytorch搭建一个基本网络模型，本篇进行一个图像分类任务实操。 相关代码主要参考自官网教程： https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-pyCIFAR10数据集总共包含10个类别，每张图片为3通道的RGB图片，大小为32x32像素。 使用可以下载经典数据集，设置下载路径和，电脑会自动检测root路径下有无数据集，
目标检测实战(一)：CIFAR10结合神经网络加载、训练、测试完整步骤
源的博客
08-22 1064
文章目录导入模块加载CIFAR10载入神经网络定义损失函数和优化器开始训练网络开始测试 导入模块 # 首先当然肯定要导入torch和torchvision，至于第三个是用于进行数据预处理的模块 import torch import torchvision import argparse import torchvision.transforms as transforms import torch.optim as optim # 导入torch.potim模块 import torch.nn as
PyTorch学习记录（十）关于CIFAR-10的一些学习笔记
djy2069的博客
09-25 1821
前言 在B站中看完了《PyTorch深度学习实践》完结合集——刘二大人前11个视频，想来自己动手实践试试，边实践边学习。 首先复习一下 一般我们主要有以下几个步骤： （一）准备数据集 在这个步骤中，我们首先需要用到torchvision 1、torchvision:包含了流行的数据集、模型架构和用于计算机视觉的常见图像转换。 （1）torchvision.datasets（数据）：MNIST、Fashion-MNIST、COCO、LSUN、ImageFolder、Imagenet-12、CIFAR、STL
chromedriver-mac-arm64_126.0.6474.0.zip
最新发布
07-31
chromedriver-mac-arm64_126.0.6474.0.zip
pytorch卷积神经网络cifar10
11-03
PyTorch是一个广泛应用于深度学习领域的开源机器学习库。 卷积神经网络（Convolutional Neural Network, CNN）是一种常用于图像识别和处理的机器学习模型。 CIFAR-10是一个常用的图像数据集，由10个类别的60000个32x32彩色图像组成，用于训练和测试图像分类模型。 在PyTorch中，我们可以使用内置的torchvision库来加载和预处理CIFAR-10数据集。首先，我们需要导入必要的库： ```python import torch import torchvision import torchvision.transforms as transforms ``` 然后，我们可以定义一个函数来加载和预处理CIFAR-10数据集： ```python def load_cifar10(): # 定义变换 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 加载训练集 trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) # 加载测试集 testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) # 类别标签 classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') return trainloader, testloader, classes ``` 接下来，我们可以定义一个卷积神经网络模型。在PyTorch中，我们可以通过继承`nn.Module`类来定义自己的模型。以下是一个简单的示例： ```python import torch.nn as nn class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 定义卷积层和全连接层 self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x # 创建模型实例 net = Net() ``` 现在我们可以加载数据集并训练这个模型： ```python import torch.optim as optim trainloader, testloader, classes = load_cifar10() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): # 输入数据 inputs, labels = data # 梯度置零 optimizer.zero_grad() # 正向传播、反向传播、优化 outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 统计损失值 running_loss += loss.item() if i % 2000 == 1999: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 ``` 最后，我们可以在测试集上验证模型的准确率： ```python 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: %.2f %%' % ( 100 * correct / total)) ``` 总结起来，使用PyTorch实现CIFAR-10图像分类任务需要加载和预处理数据集、定义卷积神经网络模型、训练模型、验证模型准确率等步骤。以上是一个简单的示例，可根据需求进行修改和优化。
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