人工智能-作业6：CNN实现XO识别

最新推荐文章于 2023-12-14 23:05:13 发布

+51

最新推荐文章于 2023-12-14 23:05:13 发布

阅读量305

点赞数 2

分类专栏：人工智能实验文章标签：人工智能 cnn 深度学习

本文链接：https://blog.csdn.net/qq_51776413/article/details/125022880

版权

该博客介绍了如何使用CNN来实现XO游戏图像的识别。首先，博主提供了数据集的详细信息，然后构建了一个神经网络模型，并选择了特定的损失函数。接着，博主训练了模型并测试了其在测试集上的准确率。此外，还展示了训练好的模型的特征图以及输出的卷积核，以帮助理解模型的工作原理。

摘要由CSDN通过智能技术生成

数据集

数据集为XO图像，下载后分为测试集和数据集。测试集放置1500张(各750张)XO图片，测试集放置500张(各250张)图片
在这里插入图片描述

构建模型并训练数据

import torch
from torchvision import transforms, datasets
import torch.nn as nn
from torch.utils.data import DataLoader

# 模型类
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 9, 3)
        self.maxpool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(9, 5, 3)

        self.relu = nn.ReLU()
        self.fc1 = nn.Linear(27 * 27 * 5, 1200)
        self.fc2 = nn.Linear(1200, 64)
        self.fc3 = nn.Linear(64, 2)

    def forward(self, x):
        x = self.maxpool(self.relu(self.conv1(x)))
        x = self.maxpool(self.relu(self.conv2(x)))
        x = x.view(-1, 27 * 27 * 5)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x


model = Net()
print(model)

criterion = torch.nn.CrossEntropyLoss()  # 损失函数 交叉熵损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)  # 优化函数：随机梯度下降

transforms = transforms.Compose([
    transforms.ToTensor(),  # 把图片进行归一化，并把数据转换成Tensor类型
    transforms.Grayscale(1)  # 把图片 转为灰度图
])
path = r'training_data_sm'
data_train = datasets.ImageFolder(path, transform=transforms)
data_loader = DataLoader(data_train, batch_size=64, shuffle=True)

epochs = 10
for epoch in range(epochs):
    running_loss = 0.0
    for i, data in enumerate(data_loader):
        images, label = data
        out = model(images)
        loss = criterion(out, label)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if (i + 1) % 10 == 0:
            print('[%d  %5d]   loss: %.3f' % (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('finished train')

# 保存模型
torch.save(model.state_dict(), 'model_name.pth')  # 保存的是模型， 不止是w和b权重值