当前位置： 首页 > news >正文

南宁公司网站建设,企业管理咨询报告案例,wordpress主题设置文件夹,软件开发方法有几种Pytorch从零开始实战——明星识别 本系列来源于365天深度学习训练营 原作者K同学 文章目录 Pytorch从零开始实战——明星识别环境准备数据集模型选择开始训练模型可视化模型预测总结 环境准备 本文基于Jupyter notebook#xff0c;使用Python3.8#xff0c;Pytorch2.0.1c…Pytorch从零开始实战——明星识别 本系列来源于365天深度学习训练营 原作者K同学 文章目录 Pytorch从零开始实战——明星识别环境准备数据集模型选择开始训练模型可视化模型预测总结 环境准备 本文基于Jupyter notebook使用Python3.8Pytorch2.0.1cu118torchvision0.15.2需读者自行配置好环境且有一些深度学习理论基础。本次实验的目的是了解如何设置动态学习率。 第一步导入常用包。 import torch import torch.nn as nn import matplotlib.pyplot as plt import torchvision import torchvision.transforms as transforms import torchvision.datasets as datasets import torch.nn.functional as F import random from time import time import numpy as np import pandas as pd import datetime import gc import os import copy os.environ[KMP_DUPLICATE_LIB_OK]True # 用于避免jupyter环境突然关闭 torch.backends.cudnn.benchmarkTrue # 用于加速GPU运算的代码设置随机数种子 torch.manual_seed(55) torch.cuda.manual_seed(55) torch.cuda.manual_seed_all(55) random.seed(55) np.random.seed(55)创建设备对象 device torch.device(cuda if torch.cuda.is_available() else cpu) device # device(typecuda)数据集 本次数据集使用的一系列明星图片每一位明星的图片存放在对应的文件夹中文件夹名为明星的姓名。 使用pathlib查看类别名称 import pathlib data_dir ./data/star data_dir pathlib.Path(data_dir) # 转成pathlib.Path对象 data_paths list(data_dir.glob(*)) classNames [str(path).split(/)[2] for path in data_paths] classNames使用transforms将图片进行预处理并且使用datasets整合数据集每个姓名标签对应的一个数字标签。 train_transforms transforms.Compose([transforms.Resize([224, 224]),transforms.ToTensor(),transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # 标准化 ])total_data datasets.ImageFolder(./data/star/, transformtrain_transforms) total_data.class_to_idx查看随机五张图片。 将数据集以8比2划分为训练集和测试集使用DataLoader划分批次和随机打乱。 train_size int(0.8 * len(total_data)) test_size len(total_data) - train_size train_ds, test_ds torch.utils.data.random_split(total_data, [train_size, test_size])batch_size 32 train_dl torch.utils.data.DataLoader(train_ds,batch_sizebatch_size,shuffleTrue,) test_dl torch.utils.data.DataLoader(test_ds,batch_sizebatch_size,shuffleTrue,)len(train_dl.dataset), len(test_dl.dataset) # (1440, 360)模型选择 本次实验我们直接调用官方的数据集使用官方预训练的VGG16冻结模型参数只训练最后一层的参数。

调用官方vgg16

from torchvision.models import vgg16 model vgg16(pretrained True).to(device) # 加载预训练的vgg16模型for param in model.parameters():param.requires_grad False # 冻结模型的参数只训练最后一层的参数model.classifier._modules[6] nn.Linear(4096, len(classNames)) # 修改vgg16模型中最后一层全连接层输出目标类别个数 model.to(device)
model创建模型使用summary查看参数VGG16的参数还是比较多的。 from torchsummary import summary

将模型转移到GPU中

model model.to(device) summary(model, input_size(3, 224, 224))开始训练 定义训练函数 def train(dataloader, model, loss_fn, opt):size len(dataloader.dataset)num_batches len(dataloader)train_acc, train_loss 0, 0for X, y in dataloader:X, y X.to(device), y.to(device)pred model(X)loss loss_fn(pred, y)opt.zero_grad()loss.backward()opt.step()train_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss定义测试函数 def test(dataloader, model, loss_fn):size len(dataloader.dataset)num_batches len(dataloader)test_acc, test_loss 0, 0with torch.no_grad():for X, y in dataloader:X, y X.to(device), y.to(device)pred model(X)loss loss_fn(pred, y)test_acc (pred.argmax(1) y).type(torch.float).sum().item()test_loss loss.item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_loss设置超参数本次使用官方的学习率衰减学习率每经过 4 个 epoch 就会以 0.92 的指数衰减。 lambda1 lambda epoch: 0.92 ** (epoch // 4) loss_fn nn.CrossEntropyLoss() learn_rate 0.001 opt torch.optim.SGD(model.parameters(), lrlearn_rate) scheduler torch.optim.lr_scheduler.LambdaLR(opt, lr_lambdalambda1) # 选定调整方法开始训练可能是因为只训练最后一层模型学习的不是很好。 import time epochs 30 train_loss [] train_acc [] test_loss [] test_acc []T1 time.time()best_acc 0 best_model 0for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)scheduler.step()model.eval() # 确保模型不会进行训练操作epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)if epoch_test_acc best_acc:best_acc epoch_test_accbest_model copy.deepcopy(model)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)print(epoch:%d, train_acc:%.1f%%, train_loss:%.3f, test_acc:%.1f%%, test_loss:%.3f% (epoch 1, epoch_train_acc * 100, epoch_train_loss, epoch_test_acc * 100, epoch_test_loss))T2 time.time() print(程序运行时间:%s毫秒 % ((T2 - T1)*1000))PATH ./best_model.pth # 保存的参数文件名 if best_model is not None:torch.save(best_model.state_dict(), PATH)print(保存最佳模型) print(Done)模型可视化 可视化函数 import warnings warnings.filterwarnings(ignore) #忽略警告信息 plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 plt.rcParams[figure.dpi] 100 #分辨率epochs_range range(epochs)plt.figure(figsize(12, 3)) plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy) plt.plot(epochs_range, test_acc, labelTest Accuracy) plt.legend(loclower right) plt.title(Training and Validation Accuracy)plt.subplot(1, 2, 2) plt.plot(epochs_range, train_loss, labelTraining Loss) plt.plot(epochs_range, test_loss, labelTest Loss) plt.legend(locupper right) plt.title(Training and Validation Loss) plt.show()模型预测 定义预测函数 from PIL import Image classes list(total_data.class_to_idx)def predict_one_image(image_path, model, transform, classes):test_img Image.open(image_path).convert(RGB)plt.imshow(test_img) # 展示预测的图片test_img transform(test_img)img testimg.to(device).unsqueeze(0)model.eval()output model(img),pred torch.max(output,1)pred_class classes[pred]print(f预测结果是{pred_class})调用函数使用模型预测图片 predict_one_image(image_path./data/star/Angelina Jolie/001_fe3347c0.jpg, modelmodel, transformtrain_transforms, classesclasses)

预测结果是Angelina Jolie使用保存的最佳模型查看一下损失。

best_model.eval() epoch_test_acc, epoch_test_loss test(test_dl, best_model, loss_fn) epoch_test_acc, epoch_test_loss # (0.3861111111111111, 1.9115476707617443)总结 本次调用官方预训练的VGG模型由于VGG的参数量过大我们仅训练了最后一层所以效果不是很好所以未来数据集比较大的时候可以放开所有的层重新训练。