第P3周:Pytorch实现天气识别
- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊
- 🙈 复现：沐风Mufeng-CSDN博客
📌第P3周：Pytorch实现天气识别
-
难度：新手入门⭐
-
语言：Python3、Pytorch
🍺要求：
-
本地读取并加载数据。
-
测试集accuracy到达93%
🍻拔高：
- 测试集accuracy到达95%
- 调用模型识别一张本地图片
🏡 我的环境：
-
语言环境：Python3.9
-
编译器：Pycharm
-
深度学习环境：Pytorch
文章目录
文章目录
一、前期准备
1、设置GPU
import torch
import torch.nn as nn
import torchvision.transforms as transforms # 导入 torchvision 中的数据变换模块，主要是用于图形变换，例如裁剪、旋转等
import torchvision # 是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。
from torchvision import transforms, datasets # datasets:一些加载数据的函数及常用的数据集接口,transform:常用的图片变换，例如裁剪、旋转等；
import os,PIL,pathlib,random
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
代码输出
2、加载数据
- **第一步：**使用
pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。 - **第二步：**使用
glob()方法获取data_dir路径下的所有文件路径，并以列表形式存储在data_paths中。 - **第三步：**通过
split()函数对data_paths中的每个文件路径执行分割操作，获得各个文件所属的类别名称，并存储在classeNames中 - **第四步：**打印
classeNames列表，显示每个文件所属的类别名称。
# 导入数据
data_dir = "./weather_photos"
# 将数据目录路径转换为Path对象，将字符串对象转换为"Path"对象，方便后续的路径操作
data_dir = pathlib.Path(data_dir)
# 返回匹配通配符’*‘的所有路径对象，这些对象表示data_dir目录下的所有子目录和文件
# list将这些对象转换为一个列表’data_paths‘
data_paths = list(data_dir.glob('*'))
classNames =[str(path).split("\\")[1] for path in data_paths]
print(classNames)
在文件路径中:
../(上一级目录)：- 表示当前目录的上一级目录。
- 例如，如果当前目录是
P3Pytroch实现天气识别/weather_photos，使用../会指向P3Pytroch实现天气识别目录。 - 可以连续使用多个
../来向上多级目录，如../../表示上上一级目录。
./(当前目录)：- 表示当前目录。
- 这是相对路径的一种表示方法，通常用于明确说明路径相对于当前目录，而不是使用绝对路径。
- 例如，
./file.txt表示当前目录下的file.txt文件。
import matplotlib
matplotlib.use("TkAgg")
import matplotlib.pyplot as plt
from PIL import Image
# 指定图像文件夹路径
image_folder = 'P3Pytroch实现天气识别/weather_photos/cloudy'
# 获取文件夹中的所有图像文件
image_files = [f for f in os.listdir(image_folder) if f.endswith((".jpg", ".png", ".jpeg"))]
# 创建Matplotlib图像
fig, axes = plt.subplots(3, 8, figsize=(16, 6))
# 使用列表推导式加载和显示图像
for ax, img_file in zip(axes.flat, image_files):
img_path = os.path.join(image_folder, img_file)
img = Image.open(img_path)
ax.imshow(img)
ax.axis('off')
# 显示图像
plt.tight_layout()
plt.show()
代码输出：
列表推导式结构：
[expression for item in iterable if condition]
- expression: 表示列表中每个元素的计算方式或表达形式。在这段代码中是
f。 - for item in iterable: 迭代器，从中逐一取出元素。在这段代码中是
for f in os.listdir(image_folder)。 - if condition: 条件筛选，仅在条件为真的情况下才会保留元素。在这段代码中是
if f.endswith((".jpg", ".png", ".jpeg"))。
个人理解：
先进行for item in iterable（从中取出每个元素）-> if condition（条件筛选，满足条件保留）-> expression最终保留在新列表当中的元素，最后把这些元素添加到需要赋值的列表当中
total_datadir = './weather_photos'
# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸
transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
transforms.Normalize( # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]) # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])
total_data = datasets.ImageFolder(total_datadir,transform=train_transforms)
print(total_data)
😄代码输出：
以下参考[K同学啊](torchvision.transforms.Compose()详解【Pytorch入门手册】_from torchvision.transforms import compose-CSDN博客)
torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision.transforms主要是用于常见的一些图形变换。以下是torchvision的构成：
1.torchvision.datasets: 一些加载数据的函数及常用的数据集接口；
2.torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；
3.torchvision.transforms: 常用的图片变换，例如裁剪、旋转等；
4.torchvision.utils: 其他的一些有用的方法
from torchvision.transforms import transforms
train_transforms = transforms.Compose([
transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸
transforms.RandomRotation(degrees=(-10, 10)), # 随机旋转，-10到10度之间随机选
transforms.RandomHorizontalFlip(p=0.5), # 随机水平翻转 选择一个概率概率
transforms.RandomVerticalFlip(p=0.5), # 随机垂直翻转
transforms.RandomPerspective(distortion_scale=0.6, p=1.0), # 随机视角
transforms.GaussianBlur(kernel_size=(5, 9), sigma=(0.1, 5)), # 随机选择的高斯模糊模糊图像
transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
transforms.Normalize( # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
mean=[0.485, 0.456, 0.406],
std = [0.229, 0.224, 0.225]) # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])
3、划分数据集
使用torch.utils.data.random_split()方法进行数据集划分。该方法将总体数据total_data按照指定的大小比例（[train_size, test_size]）随机划分为训练集和测试集，并将划分结果分别赋值给train_dataset和test_dataset两个变量。
train_size = int(0.8 * len(total_data))
test_size = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
print(train_dataset)
print(test_dataset)
😄代码输出：
print(train_size)
print(test_size)
😄代码输出：
使用PyTorch库创建数据加载器，加载并显示测试数据集中的一个批次代码如下：
batch_size = 32
def main():
train_dl = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
for X, y in test_dl:
print("Shape of X [N, C, H, W]: ", X.shape)
print("Shape of y: ", y.shape, y.dtype)
break
if __name__ == "__main__":
main()
😄代码输出：
⭐
torch.utils.data.DataLoader()参数详解
torch.utils.data.DataLoader是 PyTorch 中用于加载和管理数据的一个实用工具类。它允许你以小批次的方式迭代你的数据集，这对于训练神经网络和其他机器学习任务非常有用。DataLoader构造函数接受多个参数，下面是一些常用的参数及其解释：
- dataset（必需参数）：这是你的数据集对象，通常是
torch.utils.data.Dataset的子类，它包含了你的数据样本。- batch_size（可选参数）：指定每个小批次中包含的样本数。默认值为 1。
- shuffle（可选参数）：如果设置为
True，则在每个 epoch 开始时对数据进行洗牌，以随机打乱样本的顺序。这对于训练数据的随机性很重要，以避免模型学习到数据的顺序性。默认值为False。- num_workers（可选参数）：用于数据加载的子进程数量。通常，将其设置为大于 0 的值可以加快数据加载速度，特别是当数据集很大时。默认值为 0，表示在主进程中加载数据。
- pin_memory（可选参数）：如果设置为
True，则数据加载到 GPU 时会将数据存储在 CUDA 的锁页内存中，这可以加速数据传输到 GPU。默认值为False。- drop_last（可选参数）：如果设置为
True，则在最后一个小批次可能包含样本数小于batch_size时，丢弃该小批次。这在某些情况下很有用，以确保所有小批次具有相同的大小。默认值为False。- timeout（可选参数）：如果设置为正整数，它定义了每个子进程在等待数据加载器传递数据时的超时时间（以秒为单位）。这可以用于避免子进程卡住的情况。默认值为 0，表示没有超时限制。
- worker_init_fn（可选参数）：一个可选的函数，用于初始化每个子进程的状态。这对于设置每个子进程的随机种子或其他初始化操作很有用
二、构建简单的CNN网络
大家注意一下在卷积层和全连接层之间，我们可以使用之前是torch.flatten()也可以使用我下面的x.view()亦或是torch.nn.Flatten()。torch.nn.Flatten()与TensorFlow中的Flatten()层类似，前两者则仅仅是一种数据集拉伸操作（将二维数据拉伸为一维），torch.flatten()方法不会改变x本身，而是返回一个新的张量。而x.view()方法则是直接在原有数据上进行操作。
上面的网络数据shape变化过程为：
3, 224, 224（输入数据）
->12, 220, 220（经过卷积层1）
->12, 216, 216（经过卷积层2）->12, 108, 108（经过池化层1）
->24, 104, 104（经过卷积层3）->
24, 100, 100（经过卷积层4）->24, 50, 50（经过池化层2）
-> 60000 ->num_classes(4)
import torch.nn.functional as F
class Network_bn(nn.Module):
def __init__(self):
super(Network_bn, self).__init__()
"""
nn.Conv2d()函数：
第一个参数（in_channels）是输入的channel数量
第二个参数（out_channels）是输出的channel数量
第三个参数（kernel_size）是卷积核大小
第四个参数（stride）是步长，默认为1
第五个参数（padding）是填充大小，默认为0
"""
self.conv1 = nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, stride=1, padding=0)
self.bn1 = nn.BatchNorm2d(12)
self.conv2 = nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, stride=1, padding=0)
self.bn2 = nn.BatchNorm2d(12)
self.pool1 = nn.MaxPool2d(2,2)
self.conv4 = nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, stride=1, padding=0)
self.bn4 = nn.BatchNorm2d(24)
self.conv5 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, stride=1, padding=0)
self.bn5 = nn.BatchNorm2d(24)
self.pool2 = nn.MaxPool2d(2,2)
self.fc1 = nn.Linear(24*50*50, len(classeNames))
def forward(self, x):
x = F.relu(self.bn1(self.conv1(x)))
x = F.relu(self.bn2(self.conv2(x)))
x = self.pool1(x)
x = F.relu(self.bn4(self.conv4(x)))
x = F.relu(self.bn5(self.conv5(x)))
x = self.pool2(x)
x = x.view(-1, 24*50*50)
x = self.fc1(x)
return x
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))
model = Network_bn().to(device)
print(model)
😄代码输出：
三、训练模型
1、设置模型超参数：
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-4 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
2、编写训练函数
1. optimizer.zero_grad()
函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。
2. loss.backward()
PyTorch的反向传播(即
tensor.backward())是通过autograd包来实现的，autograd包会根据tensor进行过的数学运算来自动计算其对应的梯度。具体来说，torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用
tensor.backward()，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用
loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。如果没有进行
tensor.backward()的话，梯度值将会是None，因此loss.backward()要写在optimizer.step()之前。3. optimizer.step()
step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。因为梯度下降是基于梯度的，所以在执行
optimizer.step()函数前应先执行loss.backward()函数来计算梯度。注意：optimizer只负责通过梯度下降进行优化，而不负责产生梯度，梯度是
tensor.backward()方法产生的。
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小，一共60000张图片
num_batches = len(dataloader) # 批次数目，1875（60000/32）
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
3、编写测试函数
测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小，一共10000张图片
num_batches = len(dataloader) # 批次数目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0
# 当不进行训练时，停止梯度更新，节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
4、正式训练
1. model.train()
model.train()的作用是启用 Batch Normalization 和 Dropout。如果模型中有
BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。2. model.eval()
model.eval()的作用是不启用 Batch Normalization 和 Dropout。如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加
model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。对于Dropout，model.eval()是利用到了所有网络连接，即不进行随机舍弃神经元。训练完train样本后，生成的模型model要用来测试样本。在
model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。
epochs = 20
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
😄代码输出：
四、结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
😄代码输出：
遇到问题解决以及总结：
1、在上述打印 x 输入数据张量，y 是对应的标签张量中遇到的问题
遇到的错误 RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase 通常发生在使用多进程数据加载器时，尤其是在 Windows 系统上。这是由于 Windows 上的多进程启动方式与 Unix 系统（如 Linux 和 macOS）不同。
解决：为了避免这个错误，你需要确保你的脚本在调用多进程代码时遵循正确的 Python 习惯。具体来说，你需要将多进程相关的代码放在 if __name__ == "__main__": 结构中。这样可以确保在脚本被执行时，多进程相关的代码不会在模块导入时被执行。
确保你的数据加载和训练代码位于 if __name__ == "__main__": 结构中。更改之后的代码如下
"""
使用 spawn 或 forkserver 启动方法（在一些情况下更稳定），通过在脚本的开头添加如下代码：
import multiprocessing
multiprocessing.set_start_method('spawn', force=True)
这段代码确保使用 spawn 方法来启动子进程，这是 Windows 上推荐的方式。
"""
import multiprocessing
multiprocessing.set_start_method('spawn', force=True)
batch_size = 32
def main():
train_dl = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
for X, y in test_dl:
print("Shape of X [N, C, H, W]: ", X.shape)
print("Shape of y: ", y.shape, y.dtype)
break
if __name__ == "__main__":
main()
针对于上面那个问题总结，因为博客是边做便携，在过程中深究了一下上述问题，刚刚方法固然可以解决但是并没有理解问题根本
以下部分都是个人理解部分：
问题截图：
错误原因：
这个错误是由 torch.utils.data.DataLoader 使用多进程进行数据加载时引起的。
具体错误出现在下面代码
train_dl = torch.utils.data.DataLoader(train_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
batch_size=batch_size,
shuffle=True,
num_workers=1)
num_worker=1表示使用一个子进程用来加载数据。
解决方法：
1、如果将其设置为num_worker=0,即不使用多进程，则不会出现问题，但是这个会影响数据加载的效率。
2、为了在 Windows 系统上正确使用多进程，需要确保所有多进程相关代码都在 if __name__ == "__main__": 块中运行
主程序入口缺少 if __name__ == "__main__": 块导致了这个问题
① 确保将数据加载和模型训练的代码放在 if __name__ == "__main__": 块中。
② 在 Windows 平台上使用 freeze_support()
😄代码得到正确输出（解决方法我选择了第二种）
1525
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
