Deep Learning:基于pytorch搭建神经网络的花朵种类识别项目(内涵完整文件和代码)—超详细完整实战教程

基于pytorch的深度学习花朵种类识别项目完整教程(内涵完整文件和代码)

请添加图片描述
相关链接::
超详细——CNN卷积神经网络教程(零基础到实战)
大白话pytorch基本知识点及语法+项目实战

项目所有文件网盘链接:提取码: 95wu

基于pytorch的深度学习花朵种类识别项目开源完整文件

请添加图片描述

整体思路介绍:

项目要求:

​基于 pytorch 搭建神经网络分类模型识别花的种类,输入一张花的照片,输出显示最有可能的前八种花的名称和该种花的照片。

分三大步骤操作:

数据集预处理操作:
  1. 读取数据集数据
  2. 构建神经网络的数据集
    1)数据增强:torchvision中transforms模块自带功能,将数据集中照片进行旋转、翻折、放大…得到更多的数据
    2)数据预处理:torchvision中transforms也帮我们实现好了,直接调用即可
    3)处理好的数据集保存在DataLoader模块中,可直接读取batch数据
    请添加图片描述
网络模型训练操作:
  1. 迁移pytorch官网中models提供的resnet模型,torchvision中有很多经典网络架构,调用起来十分方便,并且可以用人家训练好的权重参数来继续训练,也就是所谓的迁移学习
  2. 选择GPU计算、选择训练哪些层、优化器设置、损失函数设置…
  3. 训练全连接层,前几层都是做特征提取的,本质任务目标是一致的,前面的先不动,先训练最后一层全连接层
  4. 再训练所有层

请添加图片描述

预测种类操作:
  1. 加载训练好的模型,模型保存的时候可以带有选择性,例如在验证集中如果当前效果好则保存
  2. 设置检测图像的数据
  3. 设置展示界面并进行预测

请添加图片描述

程序结构介绍:

请添加图片描述

flower_function/定义函数程序:

(在该程序中定义相关函数,以便在其他程序中进行调用)

  • 图像增强(数据集预处理处理)
  • 处理照片数据函数
  • 检测照片预处理函数
  • 展示一张照片函数请添加图片描述

flower_dataset/数据集处理程序:

  • 读取数据集(训练集测试集)数据
  • 构建神经网络的数据集
    请添加图片描述

flower_model网络模型训练程序:

  • 冻结神经网络权重函数
  • 修改全连接层函数(官方)
  • 训练模型函数
  • 加载并修改models中提供的resnet模型open
  • 开始训练全连接层(0-19)
  • 再继续训练所有层(0-9)
    请添加图片描述

flower_forecast预测程序:

  • 冻结神经网络权重函数
  • 修改全连接层函数
  • 加载测试模型
  • 设置检测图像数据
  • 设置展示界面
    请添加图片描述

程序内容说明:

代码整洁操作说明:

  • 两行“”“”“open、”“”“”end封装的是该模块的程序
  • #是单行注释
"""""""""""""""加载测试模型open"""""""""""""""
#加载模型
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)
......

"""""""""""""""加载测试模型end"""""""""""""""

迁移学习:

用相似的模型的权重初始化,修改全连接层,然后重新训练
pytorch->transforms->resnet->models
pytorch官方transforms神经网络模型
(由于镜像在国外下载较慢,已经下载好了放在文件夹下)
请添加图片描述

模块化编程说明:

1、一个文件程序写全部代码有两个问题:

​ 1)功能分工不明确

​ 2)每次都要重新跑训练网络

2、模块化编程: 将功能函数分别放到不同的程序中,程序中相互调,可以分别进行功能测试

3、模块化编程两种方式:

  • A中:

    import B

    B.function

  • A中:

    from B import function

    function

4、注意import循环重载:

​ 利用pycharm这种IDE进行模块化编程,多个.py文件相互import容易发生循环重载

  • 先了解下import的原理:

​ 例:A中importB,当顺序执行A,遇到相关数据需要调用B时,停止执行A,去执行B,B执行完了再执行A,如果A、B相互调用的话会报错

  • 解决办法:

​ 当A中importB,当B又需要调用A时,把需要的A中参数定义、函数定义在B中再写一遍

项目操作:

1、用pycharm或其他IDE需要配置python、pytorch环境

2、迁移学习的模型已经下载在文件中,不用重新下载

3、直接单独运行flower_forecast预测程序,可在设置检测图像数据模块中更换照片检测

4、如果想看神经网络搭建过程,直接运行flower_model网络模型训练程序

关于我学习神经网络的一些坑和一些建议:

1、神经网络是个黑盒子,只要不是深入研究,我们做工程性项目重点是用神经网络而不是从0搭建网络,重点是利用神经网络做工程性项目,没有必要搞懂里面每一步(之前踩的坑,又麻烦又浪费时间)!!!

2、简单学习CNN基本原理后,直接去网上找个注释写的相当详细的开源程序去读

3、用好迁移学习,即调用pyorch官网上已经训练好的相关模型,根据我们自己的项目重新训练

4、先把每段代码都写上功能注释(里面一些具体参数和步骤了解即可,一定要写,有助于理解复杂的神经网络流程),再试着动手调别人的网络模型,最后试着这套模板应用到别的项目(数据集)上
5、推荐B站上唐宇迪的课,讲的通俗易懂很详细
4天教会你深度学习|Opencv+PyTorch+CNN+Python入门到实战课程

请添加图片描述
大帅锅大漂亮都看到这了,点个赞再走吧!

关注博主,分享学习教程,一起HappyCodeing

附上完整代码:

flower_function/定义函数程序:

import numpy as np
import torch
import matplotlib.pyplot as plt
from PIL import Image

from torchvision import transforms, models


filename='checkpoint.pth'
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

"""""""""""""""图像增强(数据集预处理处理)open"""""""""""""""
#图像增强:将数据集中照片进行旋转、翻折、放大...得到更多的数据
#ImageFolder假设所有的文件按文件夹保存好,每个文件夹下面存贮同一类别的图片,文件夹的名字为分类的名字
data_transforms = {  #data_transforms中指定了所有图像预处理操作,只需要修改训练集和验证集的名字后复制粘贴
    'train':
        transforms.Compose([transforms.RandomRotation(45),#随机旋转,-45到45度之间随机选
        transforms.CenterCrop(224),#从中心开始裁剪
        transforms.RandomHorizontalFlip(p=0.5),#随机水平翻转 选择一个概率概率
        transforms.RandomVerticalFlip(p=0.5),#随机垂直翻转
        transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),#参数1为亮度,参数2为对比度,参数3为饱和度,参数4为色相
        transforms.RandomGrayscale(p=0.025),#概率转换成灰度率,3通道就是R=G=B
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])#均值,标准差
    ]),
    'valid':
        transforms.Compose([transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}
"""""""""""""""图像增强(数据集预处理处理)end"""""""""""""""


"""""""""""""""处理照片数据函数open"""""""""""""""
#注意tensor的数据需要转换成numpy的格式,而且还需要还原回标准化的结果
def im_convert(tensor):

    image = tensor.to("cpu").clone().detach()
    image = image.numpy().squeeze()
    # 还原回h,w,c
    image = image.transpose(1, 2, 0)
    # 被标准化过了,还原非标准化样子
    image = image * np.array((0.229, 0.224, 0.225)) + np.array((0.485, 0.456, 0.406))
    image = image.clip(0, 1)

    return image
"""""""""""""""处理照片数据函数end"""""""""""""""


"""""""""""""""检测照片预处理函数open"""""""""""""""
def process_image(image_path):
    # 读取测试数据
    img = Image.open(image_path)
    # Resize,thumbnail方法只能进行缩小,所以进行了判断
    if img.size[0] > img.size[1]:
        img.thumbnail((10000, 256))
    else:
        img.thumbnail((256, 10000))
    # Crop操作,再裁剪
    left_margin = (img.width - 224) / 2
    bottom_margin = (img.height - 224) / 2
    right_margin = left_margin + 224
    top_margin = bottom_margin + 224
    img = img.crop((left_margin, bottom_margin, right_margin,
                    top_margin))
    # 相同的预处理方法
    img = np.array(img) / 255
    mean = np.array([0.485, 0.456, 0.406])  # provided mean
    std = np.array([0.229, 0.224, 0.225])  # provided std
    img = (img - mean) / std

    # 注意颜色通道应该放在第一个位置
    img = img.transpose((2, 0, 1))

    return img
"""""""""""""""检测照片预处理函数end"""""""""""""""


"""""""""""""""展示一张照片函数open"""""""""""""""
def imshow(image, ax=None, title=None):
    """展示数据"""
    if ax is None:
        fig, ax = plt.subplots()

    # 颜色通道还原
    image = np.array(image).transpose((1, 2, 0))

    # 预处理还原
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    image = std * image + mean
    image = np.clip(image, 0, 1)

    ax.imshow(image)
    ax.set_title(title)

    return ax
"""""""""""""""展示一张照片函数end"""""""""""""""

flower_dataset/数据集处理程序:

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#图像增强(数据集预处理处理)
from flower_function import data_transforms

"""""""""""""""读取训练集、测试集open"""""""""""""""

data_dir = './flower_data/'
train_dir = data_dir + '/train'
valid_dir = data_dir + '/valid'

"""""""""""""""读取训练集、测试集end"""""""""""""""


"""""""""""""""构建神经网络的数据集open"""""""""""""""
"""都存到dataloaders中"""

#batch_size是设置一次训练多少张照片
batch_size = 8 #设置越大需要的显存越大
#(os.path.join(data_dir, x), data_transforms[x]),(两个文件夹传进去,传入数据增强的数据)
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'valid']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True) for x in ['train', 'valid']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'valid']}

#class_name 是训练集
class_names = image_datasets['train'].classes

"""
print(image_datasets)
print(dataloaders)
print(dataset_sizes)
"""

#数据集中类别按照123456...标号,文件是各标号对应的名称
with open('cat_to_name.json', 'r') as f:
    cat_to_name = json.load(f)
"""
print(cat_to_name) #打印标号集
"""

"""""""""""""""构建神经网络的数据集end"""""""""""""""


"""""""""""""""打印照片操作open"""""""""""""""
"""
fig=plt.figure(figsize=(20, 12))
columns = 4
rows = 2

dataiter = iter(dataloaders['valid'])
inputs, classes = dataiter.next()

#做图,print出来
for idx in range (columns*rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    ax.set_title(cat_to_name[str(int(class_names[classes[idx]]))])
    plt.imshow(im_convert(inputs[idx]))
plt.show()
"""
"""""""""""""""打印照片操作end"""""""""""""""

flower_model网络模型训练程序:

import os
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#神经网络数据集
from flower_dataset import dataloaders

filename='checkpoint.pth'


"""""""""""""""冻结神经网络权重函数open"""""""""""""""
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:                      #这里为true
        for param in model.parameters():
            param.requires_grad = False         #把除了最后全连接层,前面所有层权重冻结不能修改
"""""""""""""""冻结神经网络权重函数end"""""""""""""""


"""""""""""""""修改全连接层函数(官方)open"""""""""""""""
#(模型名字、得到类别个数、模型权重、
def initialize_model(model_name, num_classes, feature_extract, use_pretrained=True):
    # 选择合适的模型,不同模型的初始化方法稍微有点区别
    model_ft = None
    input_size = 0

    if model_name == "resnet":
        """ Resnet152
        """
        #加载模型(下载)
        model_ft = models.resnet152(pretrained=use_pretrained)
        #有选择性的选需要冻住哪些层
        set_parameter_requires_grad(model_ft, feature_extract)
        #取出最后一层
        num_ftrs = model_ft.fc.in_features
        #重新做全连接层(102这里需要修改,因为本任务分类类别是102)
        model_ft.fc = nn.Sequential(nn.Linear(num_ftrs, 102),
                                   nn.LogSoftmax(dim=1))
        input_size = 224

    elif model_name == "alexnet":
        """ Alexnet
        """
        model_ft = models.alexnet(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "vgg":
        """ VGG11_bn
        """
        model_ft = models.vgg16(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "squeezenet":
        """ Squeezenet
        """
        model_ft = models.squeezenet1_0(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        model_ft.classifier[1] = nn.Conv2d(512, num_classes, kernel_size=(1,1), stride=(1,1))
        model_ft.num_classes = num_classes
        input_size = 224

    elif model_name == "densenet":
        """ Densenet
        """
        model_ft = models.densenet121(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier.in_features
        model_ft.classifier = nn.Linear(num_ftrs, num_classes)
        input_size = 224

    elif model_name == "inception":
        """ Inception v3
        Be careful, expects (299,299) sized images and has auxiliary output
        """
        model_ft = models.inception_v3(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        # Handle the auxilary net
        num_ftrs = model_ft.AuxLogits.fc.in_features
        model_ft.AuxLogits.fc = nn.Linear(num_ftrs, num_classes)
        # Handle the primary net
        num_ftrs = model_ft.fc.in_features
        model_ft.fc = nn.Linear(num_ftrs,num_classes)
        input_size = 299

    else:
        print("Invalid model name, exiting...")
        exit()

    return model_ft, input_size
"""""""""""""""修改全连接层函数(官方)end"""""""""""""""


"""""""""""""""训练模型函数open"""""""""""""""
#得到并保存神经网络模型checkpoint.pth
#(模型,数据,损失函数,优化器
def train_model(model, dataloaders, criterion, optimizer, num_epochs=25, is_inception=False, filename=filename):
    since = time.time()
    #保存最好的准确率
    best_acc = 0
    """
    checkpoint = torch.load(filename)
    best_acc = checkpoint['best_acc']
    model.load_state_dict(checkpoint['state_dict'])
    optimizer.load_state_dict(checkpoint['optimizer'])
    model.class_to_idx = checkpoint['mapping']
    """
    #指定CPU做训练
    model.to(device)

    val_acc_history = []
    train_acc_history = []
    train_losses = []
    valid_losses = []
    LRs = [optimizer.param_groups[0]['lr']]

    #最好的一次存下来
    best_model_wts = copy.deepcopy(model.state_dict())

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # 训练和验证
        for phase in ['train', 'valid']:
            if phase == 'train':
                model.train()  # 训练
            else:
                model.eval()  # 验证

            running_loss = 0.0
            running_corrects = 0

            # 把数据都取个遍
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # 清零
                optimizer.zero_grad()
                # 只有训练的时候计算和更新梯度
                with torch.set_grad_enabled(phase == 'train'):
                    #resnet不执行这个
                    if is_inception and phase == 'train':
                        outputs, aux_outputs = model(inputs)
                        loss1 = criterion(outputs, labels)
                        loss2 = criterion(aux_outputs, labels)
                        loss = loss1 + 0.4 * loss2
                    else:  # resnet执行的是这里
                        outputs = model(inputs)
                        loss = criterion(outputs, labels)

                    _, preds = torch.max(outputs, 1)

                    # 训练阶段更新权重
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # 计算损失
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / len(dataloaders[phase].dataset)
            epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)

            time_elapsed = time.time() - since
            print('Time elapsed {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
            print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))

            # 得到最好那次的模型
            if phase == 'valid' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())
                state = {
                    'state_dict': model.state_dict(),
                    'best_acc': best_acc,
                    'optimizer': optimizer.state_dict(),
                }
                torch.save(state, filename)
            if phase == 'valid':
                val_acc_history.append(epoch_acc)
                valid_losses.append(epoch_loss)
                scheduler.step(epoch_loss)
            if phase == 'train':
                train_acc_history.append(epoch_acc)
                train_losses.append(epoch_loss)

        print('Optimizer learning rate : {:.7f}'.format(optimizer.param_groups[0]['lr']))
        LRs.append(optimizer.param_groups[0]['lr'])
        print()

    time_elapsed = time.time() - since
    print('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
    print('Best val Acc: {:4f}'.format(best_acc))

    # 训练完后用最好的一次当做模型最终的结果
    model.load_state_dict(best_model_wts)
    return model, val_acc_history, train_acc_history, valid_losses, train_losses, LRs
"""""""""""""""训练模型函数end"""""""""""""""



""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""


"""""""""""""""加载并修改models中提供的resnet模型open"""""""""""""""
"""直接用训练的好权重当做初始化参数"""
#可选的比较多 ['resnet', 'alexnet', 'vgg', 'squeezenet', 'densenet', 'inception']
model_name = 'resnet'

#是否用人家训练好的特征来做,true用人家权重
feature_extract = True

# 是否用GPU训练
train_on_gpu = torch.cuda.is_available()
if not train_on_gpu:
    print('CUDA is not available.  Training on CPU ...')
else:
    print('CUDA is available!  Training on GPU ...')
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

#设置哪些层需要训练
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)

#GPU计算
model_ft = model_ft.to(device) #device这里放置的是gpu

#模型保存
filename='checkpoint.pth'

# 是否训练所有层
params_to_update = model_ft.parameters()
print("Params to learn:")
if feature_extract:
    params_to_update = []
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            params_to_update.append(param)
            print("\t",name)
else:
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            print("\t",name)

#优化器设置
optimizer_ft = optim.Adam(params_to_update, lr=1e-2)   #lr学习率
#(传入优化器,迭代了多少后要变换学习率,学习率要*多少)
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)#学习率每7个epoch衰减成原来的1/10
#最后一层已经LogSoftmax()了,所以不能nn.CrossEntropyLoss()来计算了,nn.CrossEntropyLoss()相当于logSoftmax()和nn.NLLLoss()整合
#定义损失函数
criterion = nn.NLLLoss()
"""""""""""""""加载并修改models中提供的resnet模型end"""""""""""""""



"""""""""""""""开始训练全连接层(0-19)open"""""""""""""""
model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer_ft, num_epochs=20, is_inception=(model_name=="inception"))
"""""""""""""""开始训练全连接层(0-19)end"""""""""""""""

"""""""""""""""再继续训练所有层(0-9)open"""""""""""""""
for param in model_ft.parameters():
    param.requires_grad = True #所有层都变成true去训练

# 再继续训练所有的参数,学习率调小一点
optimizer = optim.Adam(params_to_update, lr=1e-4) #lr学习率变大一点
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

# 损失函数
criterion = nn.NLLLoss()

# 在之前训练好的层上再去做训练
checkpoint = torch.load(filename) #传入路径
best_acc = checkpoint['best_acc'] #当前最好的一次准确率
model_ft.load_state_dict(checkpoint['state_dict']) #模型当前结果读进来
optimizer.load_state_dict(checkpoint['optimizer'])
#model_ft.class_to_idx = checkpoint['mapping']

#调用函数,再训练一遍
model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer, num_epochs=10, is_inception=(model_name=="inception"))
"""""""""""""""再继续训练所有层(0-9)end"""""""""""""""



"""""""""""""""测试网络效果open"""""""""""""""
"""probs, classes = predict ('flower_test.jpg', model_ft)  """
"""print(probs)                                            """
"""print(classes)                                          """
"""""""""""""""测试网络效果end"""""""""""""""

flower_forecast预测程序:

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#数据集,标签
from flower_dataset import dataloaders, cat_to_name
#处理照片数据函数,检测照片预处理函数,展示一张照片函数
from flower_function import im_convert, process_image, imshow

"""""""""""""""flower_model中在本程序需要用到的参数和函数本程序中重新写一遍open"""""""""""""""
"""""""""""""""这样就不用调用flower_model程序,就不用再次训练模型了open"""""""""""""""
"""相关参数open"""
feature_extract = True
model_name = 'resnet'
train_on_gpu = torch.cuda.is_available()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
"""相关参数open"""

"""""""""""""""冻结神经网络权重函数open"""""""""""""""
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:                      #这里为true
        for param in model.parameters():
            param.requires_grad = False         #把除了最后全连接层,前面所有层权重冻结不能修改
"""""""""""""""冻结神经网络权重函数end"""""""""""""""

"""""""""""""""修改全连接层函数open"""""""""""""""
#(模型名字、得到类别个数、模型权重、
def initialize_model(model_name, num_classes, feature_extract, use_pretrained=True):
    # 选择合适的模型,不同模型的初始化方法稍微有点区别
    model_ft = None
    input_size = 0

    if model_name == "resnet":
        """ Resnet152
        """
        #加载模型(下载)
        model_ft = models.resnet152(pretrained=use_pretrained)
        #有选择性的选需要冻住哪些层
        set_parameter_requires_grad(model_ft, feature_extract)
        #取出最后一层
        num_ftrs = model_ft.fc.in_features
        #重新做全连接层(102这里需要修改,因为本任务分类类别是102)
        model_ft.fc = nn.Sequential(nn.Linear(num_ftrs, 102),
                                   nn.LogSoftmax(dim=1))
        input_size = 224

    elif model_name == "alexnet":
        """ Alexnet
        """
        model_ft = models.alexnet(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "vgg":
        """ VGG11_bn
        """
        model_ft = models.vgg16(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "squeezenet":
        """ Squeezenet
        """
        model_ft = models.squeezenet1_0(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        model_ft.classifier[1] = nn.Conv2d(512, num_classes, kernel_size=(1,1), stride=(1,1))
        model_ft.num_classes = num_classes
        input_size = 224

    elif model_name == "densenet":
        """ Densenet
        """
        model_ft = models.densenet121(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier.in_features
        model_ft.classifier = nn.Linear(num_ftrs, num_classes)
        input_size = 224

    elif model_name == "inception":
        """ Inception v3
        Be careful, expects (299,299) sized images and has auxiliary output
        """
        model_ft = models.inception_v3(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        # Handle the auxilary net
        num_ftrs = model_ft.AuxLogits.fc.in_features
        model_ft.AuxLogits.fc = nn.Linear(num_ftrs, num_classes)
        # Handle the primary net
        num_ftrs = model_ft.fc.in_features
        model_ft.fc = nn.Linear(num_ftrs,num_classes)
        input_size = 299

    else:
        print("Invalid model name, exiting...")
        exit()

    return model_ft, input_size
"""""""""""""""修改全连接层函数end"""""""""""""""

"""""""""""""""flower_model中在本程序需要用到的参数和函数本程序中重新写一遍end"""""""""""""""
"""""""""""""""这样就不用调用flower_model程序,就不用再次训练模型了end"""""""""""""""


"""""""""""""""加载测试模型open"""""""""""""""
#加载模型
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)
# GPU模式
model_ft = model_ft.to(device)
#保存文件的名字
filename='checkpoint.pth'
# 加载模型
checkpoint = torch.load(filename)
best_acc = checkpoint['best_acc']
model_ft.load_state_dict(checkpoint['state_dict'])
"""""""""""""""加载测试模型end"""""""""""""""


"""""""""""""""设置检测图像数据open"""""""""""""""
image_path = 'flower_test.jpg'
img1 = process_image(image_path)  #预处理一下
imshow(img1)                      #展示函数

# 得到一个batch的测试数据(一次处理8张照片),在这里用模型进行检测
dataiter = iter(dataloaders['valid'])
images, labels = dataiter.next()
model_ft.eval()

if train_on_gpu:
    output = model_ft(images.cuda())
else:
    output = model_ft(images)

#得到概率最大的那个
_, preds_tensor = torch.max(output, 1)
preds = np.squeeze(preds_tensor.numpy()) if not train_on_gpu else np.squeeze(preds_tensor.cpu().numpy())
"""""""""""""""设置检测图像数据open"""""""""""""""


"""""""""""""""设置展示界面open"""""""""""""""
#设置展示预测结果,这张照片最像的前八类
fig=plt.figure(figsize=(20, 20))
columns = 4
rows = 2

#2*4展示出来
for idx in range (columns*rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    plt.imshow(im_convert(images[idx]))
    ax.set_title("{} ({})".format(cat_to_name[str(preds[idx])], cat_to_name[str(labels[idx].item())]),color=("green" if cat_to_name[str(preds[idx])] == cat_to_name[str(labels[idx].item())] else "red"))
plt.show()
"""""""""""""""设置展示界面end"""""""""""""""
  • 66
    点赞
  • 246
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 36
    评论
### 回答1: 深度学习是一项非常热门的技术,在人工智能领域得到广泛应用。PyTorch是一种使用Python编程语言的开源深度学习框架,它非常适合研究和开发深度学习模型。为了帮助初学者更好地学习PyTorch深度学习技术,CSDN(全球最大中文IT社区)开设了“DeepLearning with PyTorch”系列课程。 这个系列课程以实践为主要教学方式,让学生在实际操作中掌握PyTorch深度学习的技能。在学习过程中,学生可以学到基础的模型结构设计,各种优化算法,如学习率调整、梯度下降等,并且可以在实战操作中学到如何使用PyTorch完成各种实际应用,例如图像分类和识别,自然语言处理等等。 这门课程的受众群体不仅仅是那些想要从事人工智能开发的工程师,它对于对深度学习感兴趣的学生和科研人员也是非常有用的。这是因为在这个课程中,教师基于实际使用场景和数据集介绍了PyTorch深度学习技术,从实践中总结出的方法和经验不仅可以快速提升工程开发效率,也可以加深对深度学习理论的理解。 总之,“DeepLearning with PyTorch”系列课程非常实用和有趣,可以为初学者提供全面而深入的深度学习知识,帮助他们掌握用PyTorch来开发深度学习模型的基础技能。 ### 回答2: Deep Learning是一种用于训练多层神经网络的机器学习方法,已被广泛应用于视觉、语音、自然语言处理等领域。而PyTorch是一种开源的深度学习框架,具有快速、灵活、易用等优点,因此受到了越来越多的关注和使用。 CSDN是一个致力于IT技术在线学习和分享的平台,在其中学习deeplearning with pytorch将能够获取丰富的知识和实践经验。首先,我们需要了解PyTorch的基本概念和操作方法,如如何构建网络模型、定义损失函数和优化器、进行前向传播和反向传播等。然后,我们可以学习如何使用PyTorch进行数据预处理,如数据清洗、标准化、归一化等。此外,还可了解如何使用PyTorch进行分布式训练、混合精度训练等高级技术,以及如何在GPU上进行训练和推理等实践技巧。 总之,在CSDN上学习deeplearning with pytorch,能够让我们更好地掌握PyTorch的使用技巧,帮助我们更快、更好地完成深度学习的应用开发和研究工作。同时也可以通过活跃在CSDN平台上与其他开发者的交流来共同进步。 ### 回答3: PyTorch是一种针对深度学习任务的开源机器学习库,它支持快速的原型设计和大量的实验,是当前科学界和工业界中最受欢迎的深度学习框架之一。CSDN推出的Deeplearning with Pytorch系列课程就是致力于教授学生如何使用PyTorch进行深度学习,以及在此基础上更深层次的研究探索。 此系列课程包含了从入门到进阶多个方面的内容,在基础课程中,学员将学会如何使用PyTorch进行深度学习的各个方面,包括但不限于神经网络、优化器、损失函数等,使其基本掌握PyTorch的使用方法。而在进阶课程中,以一些大型深度学习任务为基础,详细介绍了参数优化、神经网络模型架构选择、分布式训练、自己写网络模型等更高级的知识,通过深度剖析一些开源库的源码,为学员提供了很多实现深度学习任务的技巧和方法。 课程的开设不仅帮助了很多想更深入了解深度学习的爱好者,也有助于那些打算将深度学习应用在自己的科研工作中的研究者们更加快捷、有效地完成自己的研究任务。相信随着人工智能的不断发展,PyTorch这样的框架将会发挥越来越重要的作用,而帮助大家掌握这些工具的Deeplearning with Pytorch系列课程也必将得到更多的关注和支持。

“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 36
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

zhaohaobingSIU

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
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