Pytorch CIFAR10图像分类 数据加载与可视化篇

已于 2022-03-03 19:15:10 修改
阅读量7.5k 收藏 35
点赞数 12
分类专栏： ✨Pytorch&Keras CIFAR10图像分类 文章标签： 深度学习 人工智能 python pytorch 卷积神经网络
于 2021-08-01 01:30:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_45508265/article/details/119285113
版权

Pytorch CIFAR10图像分类 数据加载与可视化篇

文章目录


这里贴一下汇总篇： 汇总篇

除此之外，我还为图像分类这个专栏录了一下我的视频讲解，感兴趣的小伙伴可以来我的B站看视频进行学习，啃代码的时候，可能听一下也会有更多的感触哦
https://space.bilibili.com/241286257/channel/seriesdetail?sid=2075039

Pytorch一般有以下几个流程

  1. 数据读取
  2. 数据处理
  3. 搭建网络
  4. 模型训练
  5. 模型上线

这里会先讲一下关于CIFAR10的数据加载和图片可视化，之后的模型篇会对网络进行介绍和实现。

1.数据读取

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ arplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（

了解本专栏 订阅专栏 解锁全文 超级会员免费看
风信子的猫Redamancy
关注
  • 12
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 15
    评论
专栏目录
订阅专栏
PyTorch ResNet 实现图片分类
我是小白呀的博客
07-01 7250
PyTorch ResNet 实现图片分类. 百年风雨, 金戈铁马. 忆往昔, 岁月峥嵘; 看今朝, 灿烂辉煌.
pytorch图像识别（基于识别验证码），读取数据集图片以及使用神经网络进行训练
weixin_43788986的博客
08-21 2701
图像数据集为10000张验证码图片，图片每次为验证码内容加数字（后面加入0-10000的数字是为了防止出现一样的验证码）： 读取文件使用os模块： 接下来需要加上路径，这样一会处理的话就可以直接读取每张图片： 图片读取功能完成了。首先验证码范围为（0-9，a-z，A-Z），这些装入列表中： 图片类型为，需要获取其中的，我将使用正则表达式： 后续为转为数字（就是每个符号在符号列表的位置）： 转为one hot编码： dataset.py model_one.py 训练： 测试 我的测试集是500
最新 CIFAR-10数据集的下载、使用方法demo详细教程
最新发布
猫头虎：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作：Libin9iOak，共赴知识与乐趣的探索之旅！
05-08 6366
在本篇博客中，我们将详细探讨CIFAR-10数据集的下载和使用方法，涵盖了Python编程语言的应用，TensorFlow和PyTorch框架的实际操作指南。文章适合所有水平的读者，无论是机器学习的初学者还是有经验的数据科学家。CIFAR-10机器学习Python编程TensorFlow教程PyTorch实战等关键词将帮助您从搜索引擎轻松找到本文。CIFAR-10数据集由加拿大高级研究院人工智能机构（CIFAR）发布，包含10个类别的60000张32x32彩色图像。这些类别包括飞机、汽车、鸟类等。功能。
Pytorch深度学习基础 实战天气图片识别（基于ResNet50预训练模型，超详细）
mengxianglong123的博客
10-15 1万+
🔥本项目使用Pytroch，并基于ResNet50模型，实现了对天气图片的识别，过程详细，十分适合基础阶段的同学阅读。项目目录结构核心步骤数据处理准备配置文件构建自定义DataSet及Dataloader构建模型训练模型编写预测模块效果展示。
CIFAR10图像分类ResNet模型实战（pytorch）
Bryce-HJ
07-25 4529
CIFAR10图像分类ResNet模型实战（pytorch）1 ResNet18网络实现及略微改进2 学习过程中的部分问题总结：2.1 为什么nn.ReLU() 设置 inplace=True？2.2 nn.Sequential(*layers)加了一个\*2.3 net.train()/ net.eval()2.4 用到的argsparse模块2.5创建记录数据的txt文件2.6 sum_loss 、 predicted 、total 、correct （重点理解）2.7 __init__中使用nn.Re
使用pytorch搭建ResNet并基于迁移学习训练
断言的博客
01-22 2487
文章目录model.pytrain.pypredict.py ResNet网络参数列表 model.py train.py predict.py
cifar-10 图片查看
赫凯的博客
09-02 2505
cifar10 图片查看器 from PIL import Image def unpickle(file): import pickle with open(file, 'rb') as fo: dict = pickle.load(fo, encoding='bytes') return dict import matplotlib.pyplot a...
利用pytorch实现图像分类
04-08
在深度学习领域，...在实际操作中，你还会学到如何利用TensorBoard等可视化工具监控训练过程，以及如何保存和加载模型，以便于后续使用或继续训练。总之，掌握PyTorch实现图像分类是迈进深度学习世界的重要一步。
深度学习课程设计报告+源代码(CIFAR-10数据集).zip
06-18
提供的"Pytorch-CIFAR10.zip"文件可能包含了实现以上步骤的Python代码，包括数据加载、模型定义、训练循环、模型保存等部分。"深度学习课程设计.doc"可能是对学生完成该项目的详细报告，包括理论背景、方法介绍、...
CIFAR-10-图像分类
02-21
CIFAR-10 图像分类是一个广泛使用的计算机视觉数据集，它对于研究和开发深度学习模型至关重要。这个数据集包含60,000张32x32像素的彩色图像，分为10个类别：飞机、汽车、鸟类、猫、鹿、狗、青蛙、船、卡车和摩托车。...
pytorch_demo.rar
11-19
CIFAR数据集是一个常用的小型图像分类数据集，包含10个类别，每个类别有6000张32x32像素的彩色图像，其中5000张用于训练，1000张用于测试。CIFAR-10是该数据集的一部分，每个类别有6000张图像。这个数据集的多样性和...
对字节型数据集cifar10进行可视化
unicorn963的博客
10-10 191
对字节型数据集cifar10进行可视化 编程环境 ubuntu 16.04 python 2.7 tensorflow-gpu 1.4 代码 cifar10_input.py文件代码 # coding:utf-8 # 绝对引入 from __future__ import absolute_import # 导入精确除法 from __future__ import division # 导入pr...
【图像识别】基于pytorch 的入门demo——CIFAR10数据集识别及其可视化
潇潇客
06-13 3945
目录 环境配置 1.数据集 2.模型训练 3.训练结果 4.Batch_size的作用 5.参考资料 pytorch使用是动态图计算思想，符合一般的计算逻辑，集成了caffe，容易上手灵活方便，方便使用GPU 加速、自动求导数，更适用于学术界。tensorflow采用的是静态图计算思想，静态图需要提前定义计算图，然后使用创建的计算图运算，运算过程中不利于查看...
Pytorch学习笔记12----基于卷积神经网络的 CIFAR10 识别
qq_39400324的博客
04-06 4668
  CIFAR10 是由 Hinton 的两个大弟子 Alex Krizhevsky、Ilya Sutskever 收集的一个用于普适物体识别的数据集。本文将利用 PyTorch 建立一个卷积神经网络模型对 CIFAR10 中的数据集进行分类和识别。 基于卷积神经网络的 CIFAR10 识别0.数据集介绍1.导入功能包2.下载数据集3.制作训练集和测试集4.查看图片5.建立卷积神经网络6.建立卷积神经网络7.开始训练8.保存/加载参数9.测试网络 0.数据集介绍   CIFAR-10 数据集由 10 个类的
CIFAR-10数据集（介绍、下载读取、可视化显示、另存为图片）
热门推荐
qq_40755283的博客
06-09 3万+
常用cv2、numpy函数复习，了解CIFAR-10数据集底层并测试
Pytorch CIFAR10 图像分类篇 汇总
风信子的猫Redamancy的快乐星球
08-01 8206
Pytorch CIFAR10 图像分类篇 汇总 接下来我会分别利用深度学习的方法，用Pytorch实现我们的CIFAR10的图像分类 大概预计的模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet等，除此之外也会陆续补充 希望这能够帮助初学机器学习的同学一个入门Pytorch的项目和在这之中更加了解Pytorch和各个图像分类的模型。 Pytorch CIFAR10图像分类 数据加载篇 Pytorch CIFAR10图像分类 自定义网络篇 Pytorc
matlab计算机视觉-图像分类-可视化-函数-训练-保存的信息-相关语法用途
weixin_43930851的博客
04-23 2693
官方文档教程最实用！官方帮助中心教程文档 在学习的过程中经常遇到matlab想要实现某个功能但是不知道函数的名字，因为对matlab语法不熟悉，但是只要有基础看官方教程是没有问题的。很多时候我需要用到某个函数但是不知道函数名称或者不知道其实matlab有内置的功能函数，在网上找来找去花里胡哨的！最后终于发现，原来这些官方教程都有！！！遇到什么函数名称或者功能就来官方教程里找吧！官方帮助中心教程中心 由于在毕设DDL几天前才意识到这个问题，所以后面慢慢更新。。。。。逃。。。 1.trainnetwork [
读取CIFAR10数据集可视化
dotJunz的博客
11-02 870
想自己重写Dataset类，不通过torchvision.dataset.CIFAR10获取数据集。但是从官网下载的数据集是压缩包形式，直接解压无法得到图片和标签信息，因此参考博客将图片和标签读取出来。
transformers做cifar10图像分类有loss曲线和准确率曲线并保存模型pytorch
05-27
当使用transformers库进行CIFAR-10图像分类时，你可以使用PyTorch中提供的CrossEntropyLoss作为损失函数，并选择Adam或SGD作为优化器。以下是一个简单的示例代码，用于训练和保存模型，并记录训练过程中的损失和准确率。 ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision.datasets import CIFAR10 from torchvision.transforms import ToTensor, Normalize from transformers import ViTModel # 定义模型 model = ViTModel.from_pretrained('google/vit-base-patch16-224') model.fc = nn.Linear(model.config.hidden_size, 10) # 加载数据 train_data = CIFAR10(root='./data', train=True, transform=ToTensor(), download=True) train_loader = DataLoader(train_data, batch_size=64, shuffle=True) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练模型 num_epochs = 10 for epoch in range(num_epochs): running_loss = 0.0 correct = 0 total = 0 for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 统计损失和准确率 running_loss += loss.item() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() # 输出训练结果 print('Epoch [%d/%d], Loss: %.4f, Accuracy: %.2f%%' % (epoch+1, num_epochs, running_loss / len(train_loader), 100 * correct / total)) # 保存模型 torch.save(model.state_dict(), 'cifar10_vit.pth') ``` 在训练过程中，你可以使用tensorboard等工具记录损失和准确率，并可视化损失和准确率曲线。在代码中增加以下内容即可： ```python from torch.utils.tensorboard import SummaryWriter # 定义tensorboard writer writer = SummaryWriter(log_dir='./logs') # 在每个epoch结束时记录损失和准确率 writer.add_scalar('Loss/train', running_loss / len(train_loader), epoch) writer.add_scalar('Accuracy/train', 100 * correct / total, epoch) # 关闭tensorboard writer writer.close() ``` 最后，你可以使用以下代码加载保存的模型，并进行测试： ```python # 加载模型 model.load_state_dict(torch.load('cifar10_vit.pth')) # 加载测试数据 test_data = CIFAR10(root='./data', train=False, transform=ToTensor(), download=True) test_loader = DataLoader(test_data, batch_size=64, shuffle=False) # 测试模型 correct = 0 total = 0 with torch.no_grad(): for inputs, labels in test_loader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Test Accuracy: %.2f%%' % (100 * correct / total)) ``` 希望这些代码对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 15
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

风信子的猫Redamancy

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