计算机视觉CV-Pytorch 基于Cifar10的图像分类入门学习

计算机视觉CV-Pytorch 基于Cifar10的图像分类入门学习

图像分类小目标

• 数据预处理、加载
• 模型训练、调参
• 模型保存、加载

我们通过Pytorch来训练一个小分类模型，展示建立分类器的具体步骤：

1 数据预处理、加载

AI数据主要包括：文本、图像、音频、视频数据，这些数据可使用标准Python数据包加载，放到一个numpy数组，讲数组转换为torch.* Tensor。其中：

• 图像数据，常用OpenCV，Pillow包

• 音频数据，常用scipy，librosa包

• 文本数据，常用NLTK, SpaCy包

Pytorch包涵盖常用数据集，可通过torchvision.datasets读取，并使用torchvision加载并预处理CIFAR-10数据集。具体可参考：Pytorch数据读取方法简介

本文使用Cifar10数据集，包含10类，分别为： ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。图像大小均为32x32x3。

import torch
import torchvision
import torchvision.transforms as transforms

# 转化为Tensor，将元素转化为0-1的数字，Normalize将其归一化。
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 训练集需要训练
trainset = torchvision.datasets.CIFAR10('../../../dataset', train=True,transform=None, target_transform=None, download=True)

# batch_size设置了批量大小，shuffle设置为True在装载过程中为随机乱序，num_workers>=1表示多线程读取数据。
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)

# 测试集不需要训练
testset = torchvision.datasets.CIFAR10('../../../dataset',train=False,transform=None, target_transform=None, download=True)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,shuffle=False, num_workers=2)

# 指定类别标签
classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

可查看图像

import matplotlib.pyplot as plt
import numpy as np

def imgshow(img):
    img = img /<