上一篇博文中,我们已经训练了一个图片分类网络,并且保存了网络的权重参数,现在就可以用验证集的数据来测试网络性能了。
import torch
import torchvision
import torchvision.transforms as transforms #用于图形变换
import matplotlib.pyplot as plt
import numpy as np
import torch.nn as nn
import torch.nn.functional as F
if __name__ == '__main__':
#################前面是建立网络部分###################
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(400, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), (2, 2))
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self, x):
size = x.size()[1:]
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
transform = transforms.Compose( # 用于串联多个图片变换的操作
[transforms.ToTensor(), # 将图片转换为张量形式
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 归一化
testset = torchvision.datasets.CIFAR10(root='D:/pythonProject/data', train=False, # 下载测试集的数据
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
dataiter = iter(testloader) #加载验证集的数据
images, labels = dataiter.next()
# print images
def imshow(img): # 用以展示图片的函数
img = img / 2 + 0.5 # unnormalize,非规范化
npimg = img.numpy() # image转为numpy类
plt.imshow(np.transpose(npimg, (1, 2, 0))) # 改变数组的排列顺序,这样才可以展示
plt.show() # 显示图片,只用上面那一行是使用不了的
imshow(torchvision.utils.make_grid(images)) #输出图片
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4))) #输出正确的类别
net = Net() #加载网络
net.load_state_dict(torch.load('../cifar_net.pth')) #加载网络参数
outputs = net(images) #将验证图片输入网络,得到输出
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] #输出网络的预测结果
for j in range(4)))
#################验证网络在测试集上的准确度#################
correct = 0
total = 0
with torch.no_grad():
for data in testloader: #循环加载图片
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0) #总标签
correct += (predicted == labels).sum().item() #正确标签
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total)) #计算准确度并输出
##################测试在每个类别上的准确度###########################
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs, 1)
c = (predicted == labels).squeeze()
for i in range(4):
label = labels[i]
class_correct[label] += c[i].item()
class_total[label] += 1
for i in range(10):
print('Accuracy of %5s : %2d %%' % (
classes[i], 100 * class_correct[i] / class_total[i]))
首先会输出一组图片的真实值和预测值,可以看出预测效果还是不错的。
接着输出的是在整个验证集上的准确度,56%虽然不是很高,但是相对于随机准确度10%还是要好很多的。这是由于本例中使用的网络结构比较简单,要是使用更深的神经网络可以达到更好的效果。
这是分类器在10个类别上的准确度,其中car的识别率最高,deer的识别率最低。
官方文档的链接:https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-py
其实pytorch提供的这个例子就是历史上最早的卷积神经网络LeNet的改进版本LeNet-5,它是由Le Cun在1998年提出的,为深度学习在计算机视觉方面的应用奠定了基础。