使用PyTorch实现自己的图像分类

欢迎关注 “小白玩转Python”，发现更多 “有趣”

引言

如果你刚刚开始学习 PyTorch，并想学习如何做一些基本的图像分类，那么这篇文章你一定不要错过哦~本文将通过组织自己的训练数据，使用预训练的神经网络来训练自己的模型，最终实现自己的图像分类！

组织训练数据集

PyTorch中的数据集是按照文件夹组织，并且每类都有一个文件夹。大多数教程都是在使用训练集和验证集的时候来进一步组织数据。但这是非常麻烦的，必须从每个类中选择一定数量的图像，然后将它们从训练集文件夹移动到验证集文件夹，这个过程又复杂又可能产生很多问题。

因此本文将引入一个更好的方法来将数据集分割成训练集和验证集。首先，让我们从导入模块开始：

%matplotlib inline
%config InlineBackend.figure_format = 'retina'
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
from torch import optim
import torch.nn.functional as F
from torchvision import datasets, transforms, models

接下来定义训练数据集和验证数据集加载器，使用 SubsetRandomSampler 进行分割：

data_dir = '/data/train'
def load_split_train_test(datadir, valid_size = .2):
    train_transforms = transforms.Compose([transforms.Resize(224),
                                       transforms.ToTensor(),
                                       ])
    test_transforms = transforms.Compose([transforms.Resize(224),
                                      transforms.ToTensor(),
                                      ])
    train_data = datasets.ImageFolder(datadir,       
                    transform=train_transforms)
    test_data = datasets.ImageFolder(datadir,
                    transform=test_transforms)
    num_train = len(train_data)
    indices = list(range(num_train))
    split = int(np.floor(valid_size * num_train))
    np.random.shuffle(indices)
    from torch.utils.data.sampler import SubsetRandomSampler
    train_idx, test_idx = indices[split:], indices[:split]
    train_sampler = SubsetRandomSampler(train_idx)
    test_sampler = SubsetRandomSampler(test_idx)
    trainloader = torch.utils.data.DataLoader(train_data,
                   sampler=train_sampler, batch_size=64)
    testloader = torch.utils.data.DataLoader(test_data,
                   sampler=test_sampler, batch_size=64)
    return trainloader, testloader
trainloader, testloader = load_split_train_test(data_dir, .2)
print(trainloader.dataset.classes)

接下来检测一下我们的机器是否拥有GPU用于训练（使用GPU进行训练速度至少要快十倍哦~），然后加载一个预训练模型（在这里我们使用的是ResNet50）：

device = torch.device("cuda" if torch.cuda.is_available() 
                                  else "cpu")
model = models.resnet50(pretrained=True)
print(model)

训练数据集

现在我们进入深层神经网络的有趣部分。首先必须冻结预训练的层，这样就不会在训练期间使用他们。然后重新定义完全连接的层。最后创建标准损失函数，并选择了一个优化器和学习率。

for param in model.parameters():
    param.requires_grad = False
    
model.fc = nn.Sequential(nn.Linear(2048, 512),
                                 nn.ReLU(),
                                 nn.Dropout(0.2),
                                 nn.Linear(512, 10),
                                 nn.LogSoftmax(dim=1))
criterion = nn.NLLLoss()
optimizer = optim.Adam(model.fc.parameters(), lr=0.003)
model.to(device)

最后，让我们来训练我们的模型！在本例中只有一个epoch，但是在大多数情况下会需要更多epoch。从代码中可以很直观地看到这个基本过程: 加载图像并执行前馈循环。然后计算损失函数，并利用优化器将梯度下降应用到反向传播中。

PyTorch就是这么简单方便，下面是循环迭代过程：

epochs = 1
steps = 0
running_loss = 0
print_every = 10
train_losses, test_losses = [], []
for epoch in range(epochs):
    for inputs, labels in trainloader:
        steps += 1
        inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad()
        logps = model.forward(inputs)
        loss = criterion(logps, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        
        if steps % print_every == 0:
            test_loss = 0
            accuracy = 0
            model.eval()
            with torch.no_grad():
                for inputs, labels in testloader:
                    inputs, labels = inputs.to(device),
                                      labels.to(device)
                    logps = model.forward(inputs)
                    batch_loss = criterion(logps, labels)
                    test_loss += batch_loss.item()
                    
                    ps = torch.exp(logps)
                    top_p, top_class = ps.topk(1, dim=1)
                    equals = 
                        top_class == labels.view(*top_class.shape)
                    accuracy +=
                   torch.mean(equals.type(torch.FloatTensor)).item()
            train_losses.append(running_loss/len(trainloader))
            test_losses.append(test_loss/len(testloader))                    
            print(f"Epoch {epoch+1}/{epochs}.. "
                  f"Train loss: {running_loss/print_every:.3f}.. "
                  f"Test loss: {test_loss/len(testloader):.3f}.. "
                  f"Test accuracy: {accuracy/len(testloader):.3f}")
            running_loss = 0
            model.train()
torch.save(model, 'aerialmodel.pth')

然后等待几分钟(或者更长时间，这取决于数据集的大小和epoch的数量)之后，训练就结束了，将模型保存下来以便以后进行预测！

现在我们还可以绘制训练集和验证集的损失：

plt.plot(train_losses, label='Training loss')
plt.plot(test_losses, label='Validation loss')
plt.legend(frameon=False)
plt.show()

实现自己的图像分类

预测特定图像类别的功能非常简单。

def predict_image(image):
    image_tensor = test_transforms(image).float()
    image_tensor = image_tensor.unsqueeze_(0)
    input = Variable(image_tensor)
    input = input.to(device)
    output = model(input)
    index = output.data.cpu().numpy().argmax()
    return index

现在为了更容易测试，我还创建了一个函数，可以从数据集文件夹中随机选取一些图片：

def get_random_images(num):
    data = datasets.ImageFolder(data_dir, transform=test_transforms)
    classes = data.classes
    indices = list(range(len(data)))
    np.random.shuffle(indices)
    idx = indices[:num]
    from torch.utils.data.sampler import SubsetRandomSampler
    sampler = SubsetRandomSampler(idx)
    loader = torch.utils.data.DataLoader(data, 
                   sampler=sampler, batch_size=num)
    dataiter = iter(loader)
    images, labels = dataiter.next()
    return images, labels

最后为了演示预测函数，我们使用随机的图像样本，对其进行预测并显示结果：

to_pil = transforms.ToPILImage()
images, labels = get_random_images(5)
fig=plt.figure(figsize=(10,10))
for ii in range(len(images)):
    image = to_pil(images[ii])
    index = predict_image(image)
    sub = fig.add_subplot(1, len(images), ii+1)
    res = int(labels[ii]) == index
    sub.set_title(str(classes[index]) + ":" + str(res))
    plt.axis('off')
    plt.imshow(image)
plt.show()

这是在Google地图图块上进行分类的一个示例。标签是预测的类别，并且显示它是否是正确的预测。

结束语

在本文中我们学习了如何通过PyTorch实现自己的图像分类，是不是觉得很有趣~当然PyTorch的可以做的事情还有更多，欢迎大家继续探索下去！

·  END  ·

HAPPY LIFE