公司网站制作定制徐州网架公司十大排名

当前位置： 首页 > news >正文

公司网站制作定制,徐州网架公司十大排名,企业网站配色绿色配什么色合适,平面设计软件名称PyTorch深度学习实战——图像着色 0. 前言1. 模型与数据集分析1.1 数据集介绍1.2 模型策略 2. 实现图像着色相关链接 0. 前言 图像着色指的是将黑白或灰度图像转换为彩色图像的过程#xff0c;传统的图像处理技术通常基于直方图匹配和颜色传递的方法或基于用户交互的方法等完… PyTorch深度学习实战——图像着色 0. 前言1. 模型与数据集分析1.1 数据集介绍1.2 模型策略 2. 实现图像着色相关链接 0. 前言 图像着色指的是将黑白或灰度图像转换为彩色图像的过程传统的图像处理技术通常基于直方图匹配和颜色传递的方法或基于用户交互的方法等完成图像着色操作不但耗时且需要专业知识而基于深度学习的方法能够实现自动着色极大的提高了效率。在训练图着色模型时我们可以将原始图像转换为黑白图像作为网络输入原始彩色图像作为输出。

1. 模型与数据集分析 在本节中我们将利用 CIFAR-10 数据集执行图像着色。 1.1 数据集介绍 CIFAR-10 数据集是一个广泛应用于计算机视觉领域的图像分类数据集。它由 10 个不同类别的彩色图像组成每个类别包含 6000 张 32 x 32 像素的图像。该数据集涵盖了各种不同的对象类别包括飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。与一些只包含灰度图像的数据集相比CIFAR-10 数据集的图像是彩色的但由于图像分辨率相对较低图像中的细节和特征相对较少。 CIFAR-10 数据集在计算机视觉领域的研究和开发中得到了广泛的应用许多图像分类算法和深度学习模型都在 CIFAR-10 上进行了测试和验证。它提供了一个标准化的基准用于比较不同算法的性能。 1.2 模型策略 了解了所用数据集后本节中我们继续介绍图像着色模型策略 获取训练数据集中的原始彩色图像将其转换为灰度图像构造输入(灰度)-输出(原始彩色图像)对执行归一化输入和输出图像构建 U-Net 架构训练模型
2. 实现图像着色 接下来使用 PyTorch 实现以上策略构建图像着色模型。 (1) 导入所需库 import torch device cuda if torch.cuda.is_available() else cpufrom torchvision import datasets from torch.utils.data import DataLoader, Dataset from torch import nn from torch import optim import numpy as np import torchvision from matplotlib import pyplot as plt(2) 下载数据集并定义训练、验证数据集和数据加载器。 下载数据集 data_folder cifar10/cifar/ datasets.CIFAR10(data_folder, downloadTrue)定义训练、验证数据集和数据加载器 class Colorize(torchvision.datasets.CIFAR10):def init(self, root, train):super().init(root, train)def getitem(self, ix):im, _ super().getitem(ix)bw im.convert(L).convert(RGB)bw, im np.array(bw)/255., np.array(im)/255.bw, im [torch.tensor(i).permute(2,0,1).to(device).float() for i in [bw,im]]return bw, imtrn_ds Colorize(cifar10/cifar/, trainTrue) val_ds Colorize(cifar10/cifar/, trainFalse)trn_dl DataLoader(trn_ds, batch_size256, shuffleTrue) val_dl DataLoader(val_ds, batch_size256, shuffleFalse)输入和输出图像的样本如下 a,b trn_ds[0] plt.subplot(121) plt.imshow(a.permute(1,2,0).cpu(), cmapgray) plt.subplot(122) plt.imshow(b.permute(1,2,0).cpu()) plt.show()(3) 定义网络架构 class Identity(nn.Module):def init(self):super().init()def forward(self, x):return xclass DownConv(nn.Module):def init(self, ni, no, maxpoolTrue):super().init()self.model nn.Sequential(nn.MaxPool2d(2) if maxpool else Identity(),nn.Conv2d(ni, no, 3, padding1),nn.BatchNorm2d(no),nn.LeakyReLU(0.2, inplaceTrue),nn.Conv2d(no, no, 3, padding1),nn.BatchNorm2d(no),nn.LeakyReLU(0.2, inplaceTrue),)def forward(self, x):return self.model(x)class UpConv(nn.Module):def init(self, ni, no, maxpoolTrue):super().init()self.convtranspose nn.ConvTranspose2d(ni, no, 2, stride2)self.convlayers nn.Sequential(nn.Conv2d(nono, no, 3, padding1),nn.BatchNorm2d(no),nn.LeakyReLU(0.2, inplaceTrue),nn.Conv2d(no, no, 3, padding1),nn.BatchNorm2d(no),nn.LeakyReLU(0.2, inplaceTrue),)def forward(self, x, y):x self.convtranspose(x)x torch.cat([x,y], axis1)x self.convlayers(x)return xclass UNet(nn.Module):def init(self):super().init()self.d1 DownConv( 3, 64, maxpoolFalse)self.d2 DownConv( 64, 128)self.d3 DownConv( 128, 256)self.d4 DownConv( 256, 512)self.d5 DownConv( 512, 1024)self.u5 UpConv (1024, 512)self.u4 UpConv ( 512, 256)self.u3 UpConv ( 256, 128)self.u2 UpConv ( 128, 64)self.u1 nn.Conv2d(64, 3, kernel_size1, stride1)def forward(self, x):x0 self.d1( x) # 32x1 self.d2(x0) # 16x2 self.d3(x1) # 8x3 self.d4(x2) # 4x4 self.d5(x3) # 2X4 self.u5(x4, x3)# 4X3 self.u4(X4, x2)# 8X2 self.u3(X3, x1)# 16X1 self.u2(X2, x0)# 32X0 self.u1(X1) # 3return X0(4) 定义模型、优化器和损失函数 def get_model():model UNet().to(device)optimizer optim.Adam(model.parameters(), lr1e-3)loss_fn nn.MSELoss()return model, optimizer, loss_fn(5) 定义模型在批数据进行训练和验证的函数 def train_batch(model, data, optimizer, criterion):model.train()x, y data_y model(x)optimizer.zero_grad()loss criterion(_y, y)loss.backward()optimizer.step()return loss.item()torch.no_grad() def validate_batch(model, data, criterion):model.eval()x, y data_y model(x)loss criterion(_y, y)return loss.item()(6) 训练模型 model, optimizer, criterion get_model() exp_lr_scheduler optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1)_val_dl DataLoader(val_ds, batch_size1, shuffleTrue)n_epochs 100 train_loss_epochs [] val_loss_epochs []for ex in range(n_epochs):N len(trn_dl)trn_loss []val_loss []for bx, data in enumerate(trn_dl):loss train_batch(model, data, optimizer, criterion)pos (ex (bx1)/N)trn_loss.append(loss)train_loss_epochs.append(np.average(trn_loss))N len(val_dl)for bx, data in enumerate(val_dl):loss validate_batch(model, data, criterion)pos (ex (bx1)/N)val_loss.append(loss)val_loss_epochs.append(np.average(val_loss))exp_lr_scheduler.step()if (ex1)%10 0:for _ in range(5):a,b next(iter(_val_dl))_b model(a)plt.subplot(131)plt.imshow(a[0].permute(1,2,0).cpu(), cmapgray)plt.subplot(132)plt.imshow(b[0].permute(1,2,0).cpu())plt.subplot(133)plt.imshow(_b[0].permute(1,2,0).detach().cpu().numpy())plt.show() epochs np.arange(n_epochs)1 plt.plot(epochs, train_loss_epochs, bo, labelTraining loss) plt.plot(epochs, val_loss_epochs, r, labelTest loss) plt.title(Training and Test loss over increasing epochs) plt.xlabel(Epochs) plt.ylabel(Loss) plt.legend() plt.grid(off) plt.show()从前面的输出中可以看到模型能够很好地为灰度图像着色。 相关链接 PyTorch深度学习实战1——神经网络与模型训练过程详解 PyTorch深度学习实战2——PyTorch基础 PyTorch深度学习实战3——使用PyTorch构建神经网络 PyTorch深度学习实战4——常用激活函数和损失函数详解 PyTorch深度学习实战5——计算机视觉基础 PyTorch深度学习实战6——神经网络性能优化技术 PyTorch深度学习实战7——批大小对神经网络训练的影响 PyTorch深度学习实战8——批归一化 PyTorch深度学习实战9——学习率优化 PyTorch深度学习实战10——过拟合及其解决方法 PyTorch深度学习实战11——卷积神经网络 PyTorch深度学习实战12——数据增强 PyTorch深度学习实战13——可视化神经网络中间层输出 PyTorch深度学习实战14——类激活图 PyTorch深度学习实战15——迁移学习 PyTorch深度学习实战16——面部关键点检测 PyTorch深度学习实战17——多任务学习 PyTorch深度学习实战18——目标检测基础 PyTorch深度学习实战19——从零开始实现R-CNN目标检测 PyTorch深度学习实战20——从零开始实现Fast R-CNN目标检测 PyTorch深度学习实战21——从零开始实现Faster R-CNN目标检测 PyTorch深度学习实战22——从零开始实现YOLO目标检测 PyTorch深度学习实战23——使用U-Net架构进行图像分割 PyTorch深度学习实战24——从零开始实现Mask R-CNN实例分割