机器学习实战目录
第一章 python训练线性模型实战
第二章 python训练决策树模型实战
第三章 python训练神经网络模型实战
第四章 python训练支持向量机模型实战
第五章 python训练贝叶斯分类器模型实战
第六章 python训练集成学习模型实战
第七章 python训练聚类模型实战
第八章 python训练KNN模型实战
第九章 python训练CNN模型实战
第十章 python训练RNN模型实战
......(会一直更新)
第九章 python训练CNN模型实战
目录
训练CNN模型的步骤如下:
1. 下载数据集
可以在各种网站上下载图像数据集,例如 CIFAR10 和 ImageNet。以使用的 CIFAR10 数据集为例,具体步骤如下:
- 安装 torchvision 库:使用以下命令安装 torchvision 库。
``` python
!pip install torchvision
```
如果你使用的是 conda,可以使用以下命令来安装 torchvision 库。
``` python
!conda install torchvision -c pytorch
```
- 加载数据集:使用以下代码来加载 CIFAR10 数据集。
``` python
import torch
import torchvision.datasets as datasets
# 加载数据集
train_data = datasets.CIFAR10(root='./data', train=True, download=True)
test_data = datasets.CIFAR10(root='./data', train=False, download=True)
# 将数据转换为 PyTorch 的张量格式
train_data = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)
test_data = torch.utils.data.DataLoader(test_data, batch_size=64, shuffle=True)
```
2. 定义 CNN 模型
在本例中,我们定义了一个包含三个卷积层和两个全连接层的 CNN 模型,以处理 3 通道的 32x32 图像。
``` python
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 定义卷积层
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
self.conv3 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
# 定义全连接层
self.fc1 = nn.Linear(64 * 4 * 4, 500)
self.fc2 = nn.Linear(500, 10)
def forward(self, x):
# 卷积层
x = self.conv1(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
x = self.conv2(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
x = self.conv3(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
# 全连接层
x = x.view(-1, 64 * 4 * 4)
x = self.fc1(x)
x = nn.functional.relu(x)
x = self.fc2(x)
return x
# 创建模型实例
model = Net()
```
3. 训练模型
训练 CNN 模型的代码如下所示:
``` python
import torch.optim as optim
# 定义优化器和损失函数
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(10): # 训练 10 次
running_loss = 0.0
for i, data in enumerate(train_data, 0):
# 获取输入
inputs, labels = data
# 梯度清零
optimizer.zero_grad()
# 前向传播,反向传播,优化器更新参数
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 输出统计信息
running_loss += loss.item()
if i % 100 == 99:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 100))
running_loss = 0.0
print('Finished Training')
```
4. 测试模型
对测试集进行推理并计算准确率。
``` python
correct = 0
total = 0
with torch.no_grad():
for data in test_data:
images, labels = data
outputs = model(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))
```
完整代码如下:
``` python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.datasets as datasets
# 加载数据集
train_data = datasets.CIFAR10(root='./data', train=True, download=True)
test_data = datasets.CIFAR10(root='./data', train=False, download=True)
# 将数据转换为 PyTorch 的张量格式
train_data = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)
test_data = torch.utils.data.DataLoader(test_data, batch_size=64, shuffle=True)
# 定义 CNN 模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 定义卷积层
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
self.conv3 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
# 定义全连接层
self.fc1 = nn.Linear(64 * 4 * 4, 500)
self.fc2 = nn.Linear(500, 10)
def forward(self, x):
# 卷积层
x = self.conv1(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
x = self.conv2(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
x = self.conv3(x)
x = nn.functional.relu(x)
x = nn.functional.max_pool2d(x, 2)
# 全连接层
x = x.view(-1, 64 * 4 * 4)
x = self.fc1(x)
x = nn.functional.relu(x)
x = self.fc2(x)
return x
# 创建模型实例
model = Net()
# 定义优化器和损失函数
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(10): # 训练 10 次
running_loss = 0.0
for i, data in enumerate(train_data, 0):
# 获取输入
inputs, labels = data
# 梯度清零
optimizer.zero_grad()
# 前向传播,反向传播,优化器更新参数
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 输出统计信息
running_loss += loss.item()
if i % 100 == 99:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 100))
running_loss = 0.0
print('Finished Training')
# 测试模型
correct = 0
total = 0
with torch.no_grad():
for data in test_data:
images, labels = data
outputs = model(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))
```
参考资料:
[[1](https://www.python.org/)]
[[2](https://zhuanlan.zhihu.com/p/344562609)]
大家觉得有帮助的话还请大家给个收藏关注鼓励一下,有什么问题评论区留言,看到会恢复哒~