利用pytorch实现对CIFAR-10数据集的分类

下面是关于“利用pytorch实现对CIFAR-10数据集的分类”的完整攻略。

问题描述

CIFAR-10是一个常用的图像分类数据集,其中包含10个类别的60000张32x32彩色图像。那么,如何使用pytorch实现对CIFAR-10数据集的分类?

解决方法

示例1:使用CNN实现CIFAR-10数据集的分类

以下是使用CNN实现CIFAR-10数据集的分类的示例:

  1. 首先,导入必要的库:

python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms

  1. 然后,加载CIFAR-10数据集:

```python
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,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
```

  1. 接着,定义CNN模型:

```python
class Net(nn.Module):
def init(self):
super(Net, self).init()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)

   def forward(self, x):
       x = self.pool(F.relu(self.conv1(x)))
       x = self.pool(F.relu(self.conv2(x)))
       x = x.view(-1, 16 * 5 * 5)
       x = F.relu(self.fc1(x))
       x = F.relu(self.fc2(x))
       x = self.fc3(x)
       return x

net = Net()
```

  1. 然后,定义损失函数和优化器:

python
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

  1. 接着,进行训练和测试:

```python
for epoch in range(2): # loop over the dataset multiple times

   running_loss = 0.0
   for i, data in enumerate(trainloader, 0):
       # get the inputs; data is a list of [inputs, labels]
       inputs, labels = data

       # zero the parameter gradients
       optimizer.zero_grad()

       # forward + backward + optimize
       outputs = net(inputs)
       loss = criterion(outputs, labels)
       loss.backward()
       optimizer.step()

       # print statistics
       running_loss += loss.item()
       if i % 2000 == 1999:    # print every 2000 mini-batches
           print('[%d, %5d] loss: %.3f' %
                 (epoch + 1, i + 1, running_loss / 2000))
           running_loss = 0.0

print('Finished Training')

correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
```

在上面的示例中,我们使用了CNN实现CIFAR-10数据集的分类。首先,我们导入必要的库,并加载CIFAR-10数据集。然后,我们定义CNN模型,并定义损失函数和优化器。接着,我们进行训练和测试,并输出模型的准确率。

示例2:使用ResNet实现CIFAR-10数据集的分类

以下是使用ResNet实现CIFAR-10数据集的分类的示例:

  1. 首先,导入必要的库:

python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import torch.nn.functional as F

  1. 然后,加载CIFAR-10数据集:

```python
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

transform_test = 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,
download=True, transform=transform_train)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=128,
shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform_test)
testloader = torch.utils.data.DataLoader(testset, batch_size=100,
shuffle=False, num_workers=2)
```

  1. 接着,定义ResNet模型:

```python
class BasicBlock(nn.Module):
expansion = 1

   def __init__(self, in_planes, planes, stride=1):
       super(BasicBlock, self).__init__()
       self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False)
       self.bn1 = nn.BatchNorm2d(planes)
       self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, padding=1, bias=False)
       self.bn2 = nn.BatchNorm2d(planes)

       self.shortcut = nn.Sequential()
       if stride != 1 or in_planes != self.expansion*planes:
           self.shortcut = nn.Sequential(
               nn.Conv2d(in_planes, self.expansion*planes, kernel_size=1, stride=stride, bias=False),
               nn.BatchNorm2d(self.expansion*planes)
           )

   def forward(self, x):
       out = F.relu(self.bn1(self.conv1(x)))
       out = self.bn2(self.conv2(out))
       out += self.shortcut(x)
       out = F.relu(out)
       return out

class ResNet(nn.Module):
def init(self, block, num_blocks, num_classes=10):
super(ResNet, self).init()
self.in_planes = 64

       self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False)
       self.bn1 = nn.BatchNorm2d(64)
       self.layer1 = self._make_layer(block, 64, num_blocks[0], stride=1)
       self.layer2 = self._make_layer(block, 128, num_blocks[1], stride=2)
       self.layer3 = self._make_layer(block, 256, num_blocks[2], stride=2)
       self.layer4 = self._make_layer(block, 512, num_blocks[3], stride=2)
       self.linear = nn.Linear(512*block.expansion, num_classes)

   def _make_layer(self, block, planes, num_blocks, stride):
       strides = [stride] + [1]*(num_blocks-1)
       layers = []
       for stride in strides:
           layers.append(block(self.in_planes, planes, stride))
           self.in_planes = planes * block.expansion
       return nn.Sequential(*layers)

   def forward(self, x):
       out = F.relu(self.bn1(self.conv1(x)))
       out = self.layer1(out)
       out = self.layer2(out)
       out = self.layer3(out)
       out = self.layer4(out)
       out = F.avg_pool2d(out, 4)
       out = out.view(out.size(0), -1)
       out = self.linear(out)
       return out

def ResNet18():
return ResNet(BasicBlock, [2,2,2,2])
```

  1. 然后,定义损失函数和优化器:

python
net = ResNet18()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.1, momentum=0.9, weight_decay=5e-4)
scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[150, 250], gamma=0.1)

  1. 接着,进行训练和测试:

```python
for epoch in range(350):
net.train()
train_loss = 0
correct = 0
total = 0
for batch_idx, (inputs, targets) in enumerate(trainloader):
inputs, targets = inputs.to(device), targets.to(device)
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, targets)
loss.backward()
optimizer.step()

       train_loss += loss.item()
       _, predicted = outputs.max(1)
       total += targets.size(0)
       correct += predicted.eq(targets).sum().item()

   scheduler.step()

   net.eval()
   test_loss = 0
   correct = 0
   total = 0
   with torch.no_grad():
       for batch_idx, (inputs, targets) in enumerate(testloader):
           inputs, targets = inputs.to(device), targets.to(device)
           outputs = net(inputs)
           loss = criterion(outputs, targets)

           test_loss += loss.item()
           _, predicted = outputs.max(1)
           total += targets.size(0)
           correct += predicted.eq(targets).sum().item()

   print('Epoch: %d | Train Loss: %.3f | Test Loss: %.3f | Test Acc: %.3f%% (%d/%d)'
         % (epoch+1, train_loss/(batch_idx+1), test_loss/(batch_idx+1), 100.*correct/total, correct, total))

```

在上面的示例中,我们使用了ResNet实现CIFAR-10数据集的分类。首先,我们导入必要的库,并加载CIFAR-10数据集。然后,我们定义ResNet模型,并定义损失函数和优化器。接着,我们进行训练和测试,并输出模型的准确率。

结论

在本攻略中,我们介绍了使用pytorch实现对CIFAR-10数据集的分类的两种方法,并提供了示例说明。可以根据具体的需求来选择不同的方法,并根据需要调整模型、数据集和训练的参数。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:利用pytorch实现对CIFAR-10数据集的分类 - Python技术站

(0)
上一篇 2023年5月16日
下一篇 2023年5月16日

相关文章

  • Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)

    下面是关于“Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)”的完整攻略。 Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题) 在使用Keras构建神经网络时,有时候会遇到model.predict预测值全为0.0的问题。下面是一些示例说明。 示例1:解决model.predict预测值全为0…

    Keras 2023年5月15日
    00
  • keras-tensorflow版本对应

    版本不对应的话,很容易报错 具体的参照这个网站为主:   https://docs.floydhub.com/guides/environments/  

    Keras 2023年4月6日
    00
  • 浅谈keras中的目标函数和优化函数MSE用法

    下面是关于“浅谈keras中的目标函数和优化函数MSE用法”的完整攻略。 Keras中的目标函数和优化函数 在Keras中,我们可以使用不同的目标函数和优化函数来训练模型。目标函数用于衡量模型的性能,优化函数用于更新模型的参数。下面是一些常用的目标函数和优化函数。 目标函数 mean_squared_error:均方误差,用于回归问题。 binary_cro…

    Keras 2023年5月15日
    00
  • keras channels_last、preprocess_input、全连接层Dense、SGD优化器、模型及编译

    channels_last 和 channels_first keras中 channels_last 和 channels_first 用来设定数据的维度顺序(image_data_format)。 对2D数据来说,”channels_last”假定维度顺序为 (rows,cols,channels), 而”channels_first”假定维度顺序为(c…

    Keras 2023年4月7日
    00
  • Keras: 创建多个输入以及混合数据输入的神经网络模型

    摘要 点击此处下载源代码:https://jbox.sjtu.edu.cn/l/NHfFZu在本教程中,您将学习如何将Keras用于多输入和混合数据。 您将了解如何定义一个Keras网络结构,该网络结构能够接受多种输入,包括数字、类别和图像等多种数据。然后,我们将在混合数据上训练一个端到端的网络。 这是我们有关Keras和回归问题的三篇系列文章的最后一篇: …

    2023年4月8日
    00
  • TensorFlow 之 高层封装slim,tflearn,keras

    tensorflow资源整合 使用原生态TensorFlow API来实现各种不同的神经网络结构。虽然原生态的TensorFlow API可以很灵活的支持不同的神经网络结构,但是其代码相对比较冗长,写起来比较麻烦。为了让TensorFlow用起来更加方便,可以使用一些TensorFlow的高层封装。 目前对TensorFlow的主要封装有4个: 第一个是Te…

    2023年4月6日
    00
  • tensor搭建–windows 10 64bit下安装Tensorflow+Keras+VS2015+CUDA8.0 GPU加速

    原文见于:http://www.jianshu.com/p/c245d46d43f0   作者 xushiluo 关注 2016.12.21 20:32* 字数 3096 阅读 12108评论 18喜欢 19 写在前面的话 2016年11月29日,Google Brain 工程师团队宣布在 TensorFlow 0.12 中加入初步的 Windows 支持。…

    2023年4月8日
    00
  • 入门tensorflow教程之TensorBoard可视化模型训练

    以下是关于“入门 TensorFlow 教程之 TensorBoard 可视化模型训练”的完整攻略,其中包含两个示例说明。 示例1:使用 TensorBoard 可视化模型训练过程 步骤1:导入必要库 在使用 TensorBoard 可视化模型训练之前,我们需要导入一些必要的库,包括tensorflow和keras。 import tensorflow as…

    Keras 2023年5月16日
    00
合作推广
合作推广
分享本页
返回顶部