dnn分类鸢尾花 pytorch_【图像分类】 基于Pytorch的多类别图像分类实战

欢迎大家来到图像分类专栏，本篇基于pytorch完成一个多类别图像分类实战。

作者&编辑 | 郭冰洋

1 简介

实现一个完整的图像分类任务，大致需要分为五个步骤：

1、选择开源框架

目前常用的深度学习框架主要包括tensorflow、caffe、pytorch、mxnet等；

2、构建并读取数据集

根据任务需求搜集相关图像搭建相应的数据集，常见的方式包括：网络爬虫、实地拍摄、公共数据使用等。随后根据所选开源框架读取数据集。

3、框架搭建

选择合适的网络模型、损失函数以及优化方式，以完成整体框架的搭建

4、训练并调试参数

通过训练选定合适超参数

5、测试准确率

在测试集上验证模型的最终性能

本文利用Pytorch框架，按照上述结构实现一个基本的图像分类任务，并详细阐述其中的细节及注意事项。

2 数据集

本次实战选择的数据集为Kaggle竞赛中的细胞数据集，共包含9961个训练样本，2491个测试样本，可以分为嗜曙红细胞、淋巴细胞、单核细胞、中性白细胞4个类别，图片大小为320x240。

Pytorch中封装了相应的数据读取的类函数，通过调用torch.utils.data.Datasets函数，则可以实现读取功能。

__init__()模块用来定义相关的参数，__len__()模块用来获取训练样本个数，__getitem__()模块则用来获取每张具体的图片，在读取图片时其可以通过opencv库、PIL库等进行