3.2 使用pytorch搭建AlexNet

第一个           关于imagefolder              

上一条文章，学习掌握了os库与json文件，这样我们较为方便地在自己标注数据后，将其划分到两个文件或多个文件夹里。imagefolder就支持这样的数据集类型（个人感觉这样的数据类型是很多不错的）

数据加载器          真正开始使用           还得datafolder

第二个      关于dataset.class_to_idx

将所有花类分出来编码，感觉是生成一个字典吧

感觉意义不大

这一部视频里面写到了json里面，为啥呀？闲得慌

第三部               如何显示图像      

 

第四步                 学习训练步骤

    net = AlexNet(num_classes=5, init_weights=True)

    net.to(device)
    loss_function = nn.CrossEntropyLoss()
    # pata = list(net.parameters())
    optimizer = optim.Adam(net.parameters(), lr=0.0002)

    epochs = 10
    save_path = './AlexNet.pth'
    best_acc = 0.0
    train_steps = len(train_loader)
    for epoch in range(epochs):
        # train
        net.train()
        running_loss = 0.0
        train_bar = tqdm(train_loader, file=sys.stdout)     #生成一个进度条
        for step, data in enumerate(train_bar):
            images, labels = data                 #这一步可以略微窥探dataloader中数据的组成格式
            optimizer.zero_grad()
            outputs = net(images.to(device))
            loss = loss_function(outputs, labels.to(device))
            loss.backward()
            optimizer.step()

            # print statistics
            running_loss += loss.item()

            train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
                                                                     epochs,
                                                                     loss)

        # validate
        net.eval()
        acc = 0.0  # accumulate accurate number / epoch
        with torch.no_grad():
            val_bar = tqdm(validate_loader, file=sys.stdout)
            for val_data in val_bar:
                val_images, val_labels = val_data
                outputs = net(val_images.to(device))
                predict_y = torch.max(outputs, dim=1)[1]
                acc += torch.eq(predict_y, val_labels.to(device)).sum().item()

        val_accurate = acc / val_num
        print('[epoch %d] train_loss: %.3f  val_accuracy: %.3f' %
              (epoch + 1, running_loss / train_steps, val_accurate))

        if val_accurate > best_acc: #那还能是零？？？奇怪极了
            best_acc = val_accurate
            torch.save(net.state_dict(), save_path)        #在理想路径中保存路径值

    print('Finished Training')