Pytorch使用VGG做迁移学习（基于 CIFAR100 数据集）

最新推荐文章于 2024-03-21 10:00:16 发布
最新推荐文章于 2024-03-21 10:00:16 发布
阅读量1.1k 收藏 4
点赞数
分类专栏： ▶ 深度学习-计算机视觉 文章标签： python 机器学习 人工智能 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44936889/article/details/119674898
版权 
import torch
from torch import nn
import torchvision.models as models
import torch.optim as optim
import matplotlib.pyplot as plt
import time
from torch.utils.data import DataLoader
from torchvision import transforms
import numpy
了解本专栏 订阅专栏 解锁全文 超级会员免费看
BIT可达鸭
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
利用pytorch搭建ResNet18网络训练CIFAR100数据集
MarkAssassin的博客
11-10 2852
使用ResNet18网络训练CIFAR100数据集，并进行了优化使准确率得到提高
pytorch-cifar100-master_Cifar100分类；多种算法实现_
10-04
基于pytorch的多种基础算法，对cifar100进行分类，代码完整
VGG19识别CIFAR10数据集(Pytorch实战)
weixin_42888638的博客
12-16 3484
文章目录1.导库2.获取数据集CIFAR10数据集简单介绍加载数据集3.创建VGG19模型简单查看一下网络结构4.开启训练训练结果训练损失和测试损失关系图训练精度和测试精度关系图5.测试阶段6.查看效果图 1.导库 import time import os import numpy as np import torch import torch.nn.functional as F import torch.nn as nn from torch.utils.data import Dataset
PyTorch - 数据集介绍（mnist、CIFAR10、CIFAR100）
Micheal 超 的博客
01-01 6695
参考自官网：torchvision.datasets 总介绍 torchvision.datasets中包含了以下数据集 MNIST COCO（用于图像标注和目标检测）(Captioning and Detection) LSUN Classification ImageFolder Imagenet-12 CIFAR10 and CIFAR100 STL10 详细介绍(以mnist手写数字集...
VGG-19架构 pytorch实现
10-23 1691
import torch import torch.nn as nn from torchinfo import summary class VGG19(nn.Module): def __init__(self): super().__init__() self.conv1=nn.Conv2d(3,64,kernel_size=3,padding=1) self.conv2=nn.Conv2d(64,64,kernel_size=3,padding.
Pytorch cifar100数据集的简单理解与用法
xiongxyowo的博客
04-08 1万+
cifar:使用计算机视觉模型训练计算机视觉模型，并基于CIFAR-10数据集进行迁移学习
03-30
总结来说，"cifar:使用计算机视觉模型训练计算机视觉模型，并基于CIFAR-10数据集进行迁移学习"是一个关于如何利用深度学习和迁移学习技术解决计算机视觉问题的实践项目。通过CIFAR-10数据集，我们可以训练和评估模型...
Pytorch对CIFAR10的图像分类全套代码（包含多个模型）
03-23
用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料...除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习
Pytorch实现CIFAR10图像分类任务测试集准确率达95%
03-31
本教程将探讨如何使用PyTorch框架在CIFAR10数据集上实现一个高效的图像分类器，最终达到95%的测试集准确率。CIFAR10是一个广泛使用的图像数据集，包含10个类别，每类有6000张32x32像素的彩色图像。 首先，我们需要...
VGG-16-数据集
03-04
在PyTorch框架中，预训练的VGG-16模型可以方便地用于迁移学习，这是一种机器学习技术，允许我们利用在大规模数据集（如ImageNet）上训练好的模型，对新的、类似的任务进行快速且有效的学习。VGG-16预训练模型已经在...
pytorch训练cifar100测试单GPU效率代码
08-25
pytorch训练cifar100测试单GPU效率代码，用于测试GPU效率，基于开源https://github.com/weiaicunzai/pytorch-cifar100
基于VGG11改进网络结构的神经网络并训练cifar100数据集
05-24
神经网络
Tensorflow 2.1训练 实战 cifar10 完整代码 准确率 88.6% 模型 Resnet SENet Inception
12-21
环境： tensorflow 2.1 最好用GPU 模型： Resnet：把前一层的数据直接加到下一层里。减少数据在传播过程中过多的丢失。 SENet： 学习每一层的通道之间的关系 Inception: 每一层都用不同的核（1×1，3×3，5×5）来学习.防止因为过小的核或者过大的核而学不到图片的特征。 用Resnet ，SENet， Inceptiont网络训练Cifar10 或者Cifar 100. 训练数据：Cifar10 或者 Cifar 100 训练集上准确率：97.11%左右 验证集上准确率：90.22%左右 测试集上准确率：88.6% 训练时间在GPU上：一小时多 权重大小：21
pytorch深度学习图像处理合集
02-01
4. 数据加载器：PyTorch的`torch.utils.data.DataLoader`类用于高效加载和预处理数据，支持多线程并行加载，可以结合`torchvision.datasets`库中的各种图像数据集如CIFAR-10、ImageNet等。 5. 自定义模型：PyTorch...
pytorch实现简单的cifar10和cifar100训练、测试、识别
star_stm的博客
04-17 2535
pytorch实现简单cifar10识别图片和cifar100识别图片，其中cifar10精确度70多，cifar100只有40多，
使用ResNet18实现CIFAR100数据集的训练
走出那座山
01-11 2149
本文将实现使用Resnet模型进行数据集进行模型的训练，并且将训练的模型效果进行有用信息的记录和将在训练过程当中训练效果的ACC最优的模型进行保存。
探索PyTorch在图像分类上的力量：PyTorch-CIFAR-100项目解析
最新发布
gitblog_00009的博客
03-21 683
探索PyTorch在图像分类上的力量：PyTorch-CIFAR-100项目解析 项目地址:https://gitcode.com/weiaicunzai/pytorch-cifar100 在这个数字化的时代，深度学习已经成为解决复杂问题的关键技术，特别是在计算机视觉领域。今天，我们要介绍一个基于PyTorch的开源项目——PyTorch-CIFAR-100，这是一个用于图像分类任务的示例代码库...
Pytorch-cifar100-master
weixin_44317740的博客
10-24 1941
pytorch加载模型报错RuntimeError:Error(s) in loading state_dict for DataParallel 针对pytorch-cifar100-master代码 原因 训练时只用了单个GPU，测试如果要用多个GPU会报这个错 ...
让你的ResNet模型在Cifar100数据库上80%正确识别率（pytorch代码）
热门推荐
lillllllll的专栏
09-06 1万+
有很多小伙伴们在用迁移学习在Cifar100上训练时候，其识别率非常低，有的20%多，有的60%。为什么有那么低的识别率呢？主要是训练策略问题，下面我们用ResNet34来测试Cifar100，看看最后的识别率能达到多少。顺便说一下ResNet的命名，比如ResNet34包括33个Conv2d和1个FC层（FC层就是该网络的输出特征层），共34个可以学习的层，其它的层不具备学习功能占用资源很少；ResNet101就包含100个Conv2d和1个FC层。 第一步、将学习速率设置大一些（初始 lr=0.01）
基于pytorch使用VGG模型实现对cifar数据集的分类
07-13
下面是一个使用PyTorch中的VGG模型对CIFAR数据集进行分类的代码示例： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torchvision.models import vgg16 # 定义数据预处理的转换 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) ]) # 加载训练集和测试集 train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) # 创建数据加载器 train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False) # 加载预训练的VGG模型 model = vgg16(pretrained=True) # 修改最后一层全连接层的输出维度，使其适应CIFAR数据集的类别数（10个类别） num_features = model.classifier[6].in_features model.classifier[6] = nn.Linear(num_features, 10) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练模型 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) num_epochs = 10 for epoch in range(num_epochs): running_loss = 0.0 for images, labels in train_loader: images = images.to(device) labels = labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1} - Training loss: {running_loss / len(train_loader)}") # 在测试集上评估模型 model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: images = images.to(device) labels = labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = 100 * correct / total print(f"Accuracy on test set: {accuracy}%") ``` 在上述代码中，首先定义了数据预处理的转换，将图像调整大小为224x224并进行归一化处理。然后使用`datasets.CIFAR10`类加载CIFAR-10数据集。接着创建数据加载器，指定数据集和批次大小。 然后使用`torchvision.models.vgg16`加载预训练的VGG模型，并修改最后一层全连接层的输出维度，以适应CIFAR数据集的类别数。定义损失函数和优化器。 接下来，将模型移动到GPU（如果可用），并进行训练。训练过程中，迭代训练数据并计算损失，并进行反向传播和参数更新。 训练完成后，将模型设置为评估模式，并在测试集上进行评估。计算模型在测试集上的准确率并打印结果。 请确保已经安装了PyTorch和torchvision库，并将数据集下载到指定的路径（在上述代码中为'./data'）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值