《深度学习之PyTorch实战计算机视觉》学习笔记（7）

最新推荐文章于 2024-06-29 19:29:53 发布

Blessing_l

最新推荐文章于 2024-06-29 19:29:53 发布

阅读量999

点赞数 1

分类专栏：计算机视觉文章标签： python pytorch

本文链接：https://blog.csdn.net/weixin_40017911/article/details/89017471

版权

本文是《深度学习之PyTorch实战计算机视觉》的学习笔记，重点介绍了利用PyTorch进行VGG16模型的迁移学习。在4个训练周期中，模型的准确率逐步提升，验证集上的损失和准确率也显示出良好的训练效果。

摘要由CSDN通过智能技术生成

这部分是利用pytorch进行迁移学习，迁移的是VGG16

代码基于python3.7， pytorch 1.0，cuda 10.0 .

import torch
import torchvision
from torch.autograd import Variable
from torchvision import datasets, transforms, models
import os            # os包集成了一些对文件路径和目录进行操作的类
import matplotlib.pyplot as plt
import time

# 读取数据
data_dir = 'DogsVSCats'
data_transform = {
   x:transforms.Compose([transforms.Scale([224, 224]),
                                       transforms.ToTensor(),
                                        transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])
                                        ]) for x in ['train', 'valid']}   # 这一步类似预处理,相比于手动搭建模型的方法，这里增加了预处理，图像大小为vgg的标准输入
image_datasets = {
   x:datasets.ImageFolder(root = os.path.join(data_dir,x),
                                        transform = data_transform[x]) for x in ['train', 'valid']}  # 这一步相当于读取数据
dataloader = {
   x:torch.utils.data.DataLoader(dataset = image_datasets[x],
                                           batch_size = 16,
                                           shuffle = True) for x in ['train', 'valid'