图像分类篇-2：AlexNet

目录

前言

AlexNet网络介绍 

使用Pytorch搭建AlexNet并训练

model.py

train.py

predict.py

 课后：如何训练自己的数据集

---

前言

这个是按照B站up主的教程学习这方面知识的时候自己做的的笔记和总结，可能有点乱，主要是按照我自己的记录习惯

参考内容来自：

• up主的b站链接：霹雳吧啦Wz视频专辑-霹雳吧啦Wz视频合集-哔哩哔哩视频
• up主将代码和ppt都放在了github：https://github.com/WZMIAOMIAO
• up主的csdn博客：深度学习在图像处理中的应用（tensorflow2.4以及pytorch1.10实现）_太阳花的小绿豆的博客-CSDN博客_深度学习图像处理需要哪些软件

---

AlexNet网络介绍 

​

 ​

 本次训练使用数据集——花数据集

下载链接：https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz

up主给的存放步骤如下： 

​

 因为我是用conda里面自己创建的虚拟环境中的python运行的，所以我自己的实际操作如下：​

 我自己文件夹的存放路径如下​

 最后在flower_data中生成如下​

---

使用Pytorch搭建AlexNet并训练

项目目录如下：

|-data_set

        |-flower_data

                |-flower_photos  # 最开始通过链接下载的数据集

                |-train # 最开始通过链接下载的数据集通过split_data分成训练集和验证集

                |-val

        |-split_data.py

|-imageprocessing

        |-AlexNet

                |-class_indices.json

                |-model.py

                |-predict.py

                |-train.py

                |-tulip.jpg # 郁金香图片，预测使用的

model.py

import torch.nn as nn
import torch


class AlexNet(nn.Module): # 创建一个类型AlexNet，继承nn.Module这个父类
    def __init__(self, num_classes=1000, init_weights=False):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 48, kernel_size=11, stride=4, padding=2),  # input[3, 224, 224]  output[48, 55, 55]
            nn.ReLU(inplace=True), # inplace 可以理解为pytorch增加计算量降低内存使用量的一种方法，即通过该方法在内存中载入更大的模型
            nn.MaxPool2d(kernel_size=3, stride=2),                  # output[48, 27, 27]
            nn.Conv2d(48, 128, kernel_size=5, padding=2),           # output[128, 27, 27]
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),                  # output[128, 13, 13]
            nn.Conv2d(128, 192, kernel_size=3, padding=1),          # output[192, 13, 13]
            nn.ReLU(inplace=True),
            nn.Conv2d(192, 192, kernel_size=3, padding=1),          # output[192, 13, 13]