Pytorch 训练自己的图像分类网络

---

前言

本篇博客主要是讲述如何，训练自己的分类网络。使用的是Pytorch 框架。所有代码是使用自己学习到的方法拼凑出来的。包含了我之前博客中提到的ResNet，MLP-Mixer，ConvNeXt，ConvMixer。

网络	博客链接
ResNet	链接
MLP-Mixer	链接
ConvNeXt	链接
ConvMixer	链接

项目地址：https://github.com/jiantenggei/torch-classification
猫狗数据集链接：https://pan.baidu.com/s/1y7Vjy3-RhlEFvtH6RY8JMQ 提取码：90f0

一、如何配置

1.运行环境：

仓库中提供了yaml文件，conda虚拟环境导入，torch是GPU版本：

conda env create -f torch.yaml

配置好后检查GPU是否可用：

import torch
#返回当前设备索引
print(torch.cuda.current_device())
#返回GPU的数量
print(torch.cuda.device_count())
#cuda是否可用 True 表示可用
print(torch.cuda.is_available())

2.准备数据集

深度学习图像分类数据集，一般是以文件夹作为类别命，下面以猫狗分类为例。数据集拜访如下所示：

─dataset
    ├─train
    │	└─cats
    │		└─xxjj.jpg
    │	└─dogs
    │	 	└─xxx.jpg
    ├─test
    │	└─cats
    │	└─dogs

cats 和dogs 文件夹下直接是图片即可。

3.生成训练数据索引

且还需要在classes.txt文件 按顺序写下该顺序如下图：

classes = [“cats”, “dogs”] 数据集中文件夹的命名顺序保持一致。 运行txt_annotation.py 生成上图中的
cls_train.txt 和cls_text.txt。

import os
from os import getcwd
#---------------------------------------------------#
#   训练自己的数据集的时候一定要注意修改classes
#   修改成自己数据集所区分的种类
#   种类顺序需要和训练时用到的classes.txt一样
#   生成cls_train.txt, cls_text.txt
#---------------------------------------------------#
classes = ["cats", "dogs"]
sets    = [