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实现MobileNet

    利用keras实现MobileNet,并以mnist数据集作为一个小例子进行识别。使用的环境是:tensorflow-gpu 2.0,python=3.7 , GTX-2070的GPU 首先是导入两行魔法命令,可以多行显示. %config InteractiveShell.ast_node_interactivity=”all” %pprint 加载ker…

    2023年4月8日
    00
  • Keras.layer()

    目录 Keras.layers Dense(全连接层) Activation(激活函数) Dropout(正则化层) Flatten(展平) Input(用于实例化 Keras 张量) Reshape(调整输入大小) Permute(置换输入的维度) RepeatVector(将输入重复 n 次) Lambda(将任意表达式封装为 Layer对象) Acti…

    Keras 2023年4月7日
    00
  • keras——经典模型之LeNet5 实现手写字识别

    经典论文:Gradient-Based Learning Applied to Document Recognition 参考博文:https://blog.csdn.net/weixin_44344462/article/details/89212507 构建LeNet-5模型 #定义LeNet5网络 深度为1的灰度图像 def LeNet5(x_trai…

    2023年4月8日
    00
  • 比Keras更好用的机器学习“模型包”:无需预处理,0代码上手做模型

    萧箫 发自 凹非寺量子位 报道 | 公众号 QbitAI 做机器学习模型时,只是融合各种算法,就已经用光了脑细胞? 又或者觉得,数据预处理就是在“浪费时间”? 一位毕业于哥廷根大学、做机器学习的小哥也发现了这个问题:原本只是想设计个模型,结果“实现比设计还麻烦”。 于是他自己动手做了个项目igel (德语中意为“刺猬”,但也是Init、Generate、Ev…

    2023年4月8日
    00
  • 解决Keras TensorFlow 混编中 trainable=False设置无效问题

    下面是关于“解决Keras TensorFlow 混编中 trainable=False设置无效问题”的完整攻略。 问题描述 在使用Keras和TensorFlow混编时,可能会出现trainable=False设置无效的问题。这个问题通常是由于在定义层时,没有正确设置trainable参数,导致在训练过程中无法冻结层。 解决方法 解决这个问题的方法是在定义…

    Keras 2023年5月15日
    00
  • 如何在keras中添加自己的优化器(如adam等)

    下面是关于“如何在Keras中添加自己的优化器”的完整攻略。 如何在Keras中添加自己的优化器 在Keras中,我们可以使用内置的优化器,如Adam、SGD等。但是,有时候我们需要使用自己定义的优化器。下面是一个详细的攻略,介绍如何在Keras中添加自己的优化器。 添加自己的优化器 在Keras中,我们可以使用Optimizer类来定义自己的优化器。下面是…

    Keras 2023年5月15日
    00
  • keras的siamese(孪生网络)实现案例

    下面是关于“Keras的Siamese(孪生网络)实现案例”的完整攻略。 Siamese(孪生网络)模型 Siamese(孪生网络)模型是一种特殊的神经网络结构,它可以用于比较两个输入之间的相似度。Siamese(孪生网络)模型通常由两个相同的子网络组成,这两个子网络共享相同的权重。下面是一个示例说明,展示如何使用Keras实现Siamese(孪生网络)模型…

    Keras 2023年5月15日
    00
  • (七) Keras 绘制网络结构和cpu,gpu切换

    视频学习来源 https://www.bilibili.com/video/av40787141?from=search&seid=17003307842787199553 笔记 首先安装pydot conda install pydot 会自动安装graphviz 如果出现TypeError: softmax() got an unexpected…

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部