2_训练分类器

最新推荐文章于 2021-10-25 21:26:04 发布

Killwaiter

最新推荐文章于 2021-10-25 21:26:04 发布

阅读量992

点赞数 1

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/zhangxue1232/article/details/119192322

版权

本文介绍了如何使用深度学习训练CIFAR10图像分类器。首先，通过Python包加载和标准化CIFAR10数据集，接着定义卷积神经网络模型，再设定损失函数和优化器，然后进行网络训练，最后测试网络性能并分析各类别的准确率。

摘要由CSDN通过智能技术生成

必须处理图像，文本，音频或视频数据时，可以使用将数据加载到 NumPy 数组中的标准 Python 包。然后，可以将该数组转换为torch.*Tensor。

专门针对视觉，创建了一个名为torchvision的包，其中包含用于常见数据集（例如 Imagenet，CIFAR10，MNIST 等）的数据加载器，以及用于图像（即torchvision.datasets和torch.utils.data.DataLoader）的数据转换器。

以下使用 CIFAR10 数据集。它具有以下类别：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”。 CIFAR-10 中的图像尺寸为3x32x32，即尺寸为32x32像素的 3 通道彩色图像。

训练图像分类器的步骤：

1.使用torchvision加载并标准化 CIFAR10 训练和测试数据集

2.定义卷积神经网络

3.定义损失函数

4.训练网络

5.测试网络

过程：

1.加载数据

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,#kaggle里面有的数据集，直接加载就可以
                                        download=True, transform=transform)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)
#通过影响数据加载速度，从而影响训练速度，代表CPU数量，GPU每次训练完都可以直接从CPU中取到next batch的数据

testset = torchvision.datasets.CIFAR10(root=