Python+Pytorch实战之彩色图片识别

Python+PyTorch实战之彩色图片识别

本文将介绍如何使用Python和PyTorch实现彩色图片识别。我们将提供两个示例,分别是使用卷积神经网络(CNN)和迁移学习(Transfer Learning)实现彩色图片识别。

1. 数据集

我们将使用CIFAR-10数据集,它包含10个类别的60000张32x32彩色图片。每个类别有6000张图片。我们将使用50000张图片作为训练集,10000张图片作为测试集。

2. 示例1:使用CNN实现彩色图片识别

以下是一个示例,展示如何使用CNN实现彩色图片识别。

2.1. 导入库

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

2.2. 加载数据集

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)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

2.3. 定义CNN模型

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()

2.4. 定义损失函数和优化器

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

2.5. 训练模型

for epoch in range(2):  # 多次循环数据集

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个小批量数据打印一次损失值
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

2.6. 测试模型

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))

3. 示例2:使用迁移学习实现彩色图片识别

以下是一个示例,展示如何使用迁移学习实现彩色图片识别。

3.1. 导入库

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

3.2. 加载数据集

transform = transforms.Compose(
    [transforms.Resize(256),
     transforms.CenterCrop(224),
     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)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

3.3. 加载预训练模型

net = torchvision.models.resnet18(pretrained=True)
num_ftrs = net.fc.in_features
net.fc = nn.Linear(num_ftrs, 10)

3.4. 定义损失函数和优化器

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

3.5. 训练模型

for epoch in range(2):  # 多次循环数据集

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个小批量数据打印一次损失值
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

3.6. 测试模型

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))

4. 总结

本文介绍了如何使用Python和PyTorch实现彩色图片识别。我们提供了两个示例,分别是使用CNN和迁移学习实现彩色图片识别。在实现过程中,我们使用了CIFAR-10数据集,并对数据进行了预处理。我们还介绍了如何定义模型、损失函数和优化器,并进行了训练和测试。

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:Python+Pytorch实战之彩色图片识别 - Python技术站

(0)
上一篇 2023年5月15日
下一篇 2023年5月15日

相关文章

  • Pytorch中的图像增广transforms类和预处理方法

    在PyTorch中,我们可以使用transforms类来进行图像增广和预处理。transforms类提供了一些常用的函数,例如transforms.Resize()函数可以调整图像的大小,transforms.RandomCrop()函数可以随机裁剪图像,transforms.RandomHorizontalFlip()函数可以随机水平翻转图像等。在本文中,…

    PyTorch 2023年5月15日
    00
  • 【深度学习 论文篇 03-2】Pytorch搭建SSD模型踩坑集锦

    论文地址:https://arxiv.org/abs/1512.02325 源码地址:http://github.com/amdegroot/ssd.pytorch 环境1:torch1.9.0+CPU 环境2:torch1.8.1+cu102、torchvision0.9.1+cu102   1. StopIteration。Batch_size设置32,…

    2023年4月8日
    00
  • Pytorch学习笔记12—- Pytorch的LSTM的理解及入门小案例

    1.LSTM模型参数说明 class torch.nn.LSTM(*args, **kwargs) 参数列表 input_size:x的特征维度 hidden_size:隐藏层的特征维度 num_layers:lstm隐层的层数,默认为1 bias:False则bih=0和bhh=0. 默认为True batch_first:True则输入输出的数据格式为 …

    PyTorch 2023年4月8日
    00
  • 莫烦PyTorch学习笔记(六)——批处理

    1.要点 Torch 中提供了一种帮你整理你的数据结构的好东西, 叫做 DataLoader, 我们能用它来包装自己的数据, 进行批训练. 而且批训练可以有很多种途径。 2.DataLoader DataLoader 是 torch 给你用来包装你的数据的工具. 所以你要讲自己的 (numpy array 或其他) 数据形式装换成 Tensor, 然后再放进…

    PyTorch 2023年4月8日
    00
  • PyTorch–>torch.max()的用法

                   _, predited = torch.max(outputs,1)   # 此处表示返回一个元组中有两个值,但是对第一个不感兴趣 返回的元组的第一个元素是image data,即是最大的值;第二个元素是label,即是最大的值对应的索引。由于我们只需要label(最大值的索引),所以有 _ , predicted这样的赋值语句…

    2023年4月6日
    00
  • PyTorch一小时掌握之神经网络分类篇

    以下是“PyTorch一小时掌握之神经网络分类篇”的完整攻略,包括两个示例说明。 示例1:使用全连接神经网络对MNIST数据集进行分类 首先,我们需要加载MNIST数据集,并将其分为训练集和测试集。然后,我们定义一个全连接神经网络,包含两个隐藏层和一个输出层。我们使用ReLU激活函数和交叉熵损失函数,并使用随机梯度下降优化器进行训练。 import torc…

    PyTorch 2023年5月15日
    00
  • 详解win10下pytorch-gpu安装以及CUDA详细安装过程

    在Windows 10下安装PyTorch GPU版本需要安装CUDA和cuDNN,本文将详细讲解如何安装PyTorch GPU版本以及CUDA和cuDNN,并提供两个示例说明。 1. 安装PyTorch GPU版本 在安装PyTorch GPU版本之前,需要先安装CUDA和cuDNN。安装完成后,可以通过以下步骤安装PyTorch GPU版本: 打开Ana…

    PyTorch 2023年5月15日
    00
  • 7月3日云栖精选夜读:强大的PyTorch:10分钟让你了解深度学习领域新流行的框架

    摘要: 今年一月份开源的PyTorch,因为它强大的功能,它现在已经成为深度学习领域新流行框架,它的强大源于它内部有很多内置的库。本文就着重介绍了其中几种有特色的库,它们能够帮你在深度学习领域更上一层楼。 热点热议 惊心动魄!程序员们说这些时刻再也不想经历了 作者:程序猿和媛 Java 的最 今年一月份开源的PyTorch,因为它强大的功能,它现在已经成为深…

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