本文介绍了使用PyTorch进行猫狗二分类的深度学习项目，涵盖了模型定义（如AlexNet）、数据加载、参数配置、训练与测试流程。在测试阶段，100张数据中达到了61.43%的准确率，随着样本数量和迭代次数增加，准确率有望提升。此外，还简要提及了fire命令行工具的使用和交叉熵损失函数（基于softmax）的基本概念。
猫狗二分类是kaggle上一个经典的比赛，数据集可在kaggle官网进行下载，其训练集包含25000张。
在做深度学习项目时，往往都需要以下几个部分：
- 模型定义
- 数据处理和加载
- 参数配置
- 训练模型（train & validate）
- 测试
关于__init__.py
可以看到，几乎每个文件夹下都有__init__.py，一个目录如果包含了一个__init__.py文件，那么它就变成了一个包（package）。__init__.py可以为空，也可以定义包的属性和方法，但其必须存在，其它程序才能从这个目录导入相应的模块或函数。例如在data/文件夹下有__init__.py和dataset.py两个文件，要想在其它函数中可以导入dataset.py里的函数或类（比如这里dataset.py文件里定义了DogCat类），在其它函数就可以通过from data.dataset import DogCat导入DogCat类。
模型定义
models文件夹下已经定义好了AlexNet和ResNet34等网络，这里采用AlexNet网络模型。
from torch import nn
class AlexNet(nn.Mo
订阅专栏 解锁全文
955
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
