第P7周：马铃薯病害识别（VGG-16复现）

🏡 我的环境：

• 语言环境：Python3.8
• 编译器：Jupyter Lab
• 深度学习环境：Pytorch

• • torch==1.12.1+cu113
  • torchvision==0.13.1+cu113

• 手动搭建VGG-16模型

  VVG-16结构说明：

• 13个卷积层（Convolutional Layer），分别用blockX_convX表示
• 3个全连接层（Fully connected Layer），分别用fcX与predictions表示
• 5个池化层（Pool layer），分别用blockX_pool表示
• 

  def test (dataloader, model, loss_fn):
      size        = len(dataloader.dataset)  # 测试集的大小
      num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)
      test_loss, test_acc = 0, 0
    
  
      # 当不进行训练时，停止梯度更新，节省计算内存消耗
      with torch.no_grad():
          for imgs, target in dataloader:
              imgs, target = imgs.to(device), target.to(device)
            
  
              # 计算loss
              target_pred = model(imgs)
              loss        = loss_fn(target_pred, target)
            
  
              test_loss += loss.item()
              test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()
  
      test_acc  /= size
      test_loss /= num_batches
  
      return test_acc, test_loss

  测试函数的编写。遇到问题，召回率低：原因是conv1卷积层设置的参数和目标的数据集大小不合适，尝试将pading改为2

•    VGG16 网络特简单的卷积层和池化层结构：VGG16采用连续的3x3卷积核和2x2池化核，保持了模型结构的简洁性,图片分割时可以尝试换类型进行测试，多次较差检验，这是复杂度允许范围之内的。VGG16拥有16个加权层，比之前的AlexNet等模型更深，能够提取更丰富的特征。由于VGG16的卷积层较多，因此参数量也相对较大，训练时需要更多的计算资源和存储空间，这边建议用gpu进行编写测试：

  import torch
  import torch.nn as nn
  import torchvision.transforms as transforms
  import torchvision
  from torchvision import transforms, datasets
  import os,PIL,pathlib,warnings

  warnings.filterwarnings("ignore")            

  device = torch.device("cuda" if torch.cuda.is_available() else "cpu")