使用Dataset制作好数据集之后,可以用Dataloader进行读取,然后用resnet34进行训练。
具体代码及注释如下
1 模块导入
其中data_read是利用Dataset制作数据集时写的文件
# 从data_read文件中读取函数
2 数据的读取
batch_size为每一次处理数据的数量,以60张图片为一组
# 读取数据
trainset = ImageFloder(root='D:/Anaconda3/data/tiny-imagenet-200', subdir='train', transform=train_transform)
traindataloader = DataLoader(trainset, batch_size=60, shuffle=True, num_workers=0)
valset = ImageFloder(root='D:/Anaconda3/data/tiny-imagenet-200', subdir='val', transform=test_transform)
valdataloader = DataLoader(valset, batch_size=60, num_workers=0)
3 网络构建
# 因为batch_size的存在,因此输入的x的size实际为([60,1,224,224])
# 网络开始搭建,自定义类均要继承 nn.Module 类
# 只需要定义 __init__ 和 forward 即可
# class_number表明最后分类的数量,200意味着一共有200个类型的图片,编号为0到199
class Net(nn.Module):
def __init__(self, class_number=200):
super(Net, self).__init__()
self.net = resnet34(pretrained=True)
# 修改 resnet34 的全连接层,定义第一次Linear的输出通道数
self.cov2fc =