深度学习入门案例：训练一个图像分类器

1 准备工作

1.1 工具要求

• pycharm
• 安装有pytroch的python38环境
• 其他必要的第三方包

数据

• CIFAR10数据集
  包含‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’等十个类别。
  

2 快速上手

2.1 基本思路

1. 使用torchvision加载和归一化CIFAR10训练集和测试集
2. 定义一个卷积神经网络
3. 定义损失函数
4. 训练网络
5. 测试网络

2.2 开始操作

2.2.1 加载和归一化数据

在pytorch框架中，可以使用torchbision直接加载CIFAR10数据集。

• 加载数据

import torch
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))]
)
# 训练集
trainSet = torchvision.datasets.CIFAR10(root='.\\data', train=True, transform=transform, download=True)
# 加载器
trainLoader = torch.utils.data.DataLoader(trainSet, batch_size=4, shuffle=True, num_workers=2)

testSet = torchvision.datasets.CIFAR10(root='.\\data', train=True, transform=transform, download=True)
testLoader = torch.utils.data.DataLoader(trainSet, batch_size=4, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
          'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

• 展示部分图像标签

    dataiter = iter(trainLoader)
    # print(trainLoader.dataset)
    images, labels = dataiter.next()
    # 展示图像
    im_show(torchvision.utils.make_grid(images))

    # 显示图像标签
    print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

2.2.2 构建一个神经网络

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        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

2.2.3 损失函数

• 直接使用交叉熵作为损失函数，使用带动量的随机梯度下降。

import torch.optim as optim
import torch.nn as nn

from nnTest.neuralNet import Net

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

2.2.4 训练网络

• 训练结果
  选择的图片：
  
  训练过程：
  
  训练结果：
  
  在随机选取的四张图片中，一张预测错误（只训练了2轮）。