模板网站怎么建设,做淘宝团购的网站,最好的网站模板网站,网页小游戏列表目录
1.概述
2.设计
3.实现
4.实验 5.总结 1.概述
本次深度学习大作业#xff0c;我使用AlexNet模型对Fruits-360数据集中的两部分水果和蔬菜图片进行分类
2.设计
模型设计#xff1a;Alexnet网络
卷积层部分#xff1a;构建了一系列卷积层、激活函数…目录
1.概述
2.设计
3.实现
4.实验 5.总结 1.概述
本次深度学习大作业我使用AlexNet模型对Fruits-360数据集中的两部分水果和蔬菜图片进行分类
2.设计
模型设计Alexnet网络
卷积层部分构建了一系列卷积层、激活函数、最大池化层以及Dropout层这一系列操作旨在从原始图像中提取丰富的特征。全连接层部分通过计算得到的特征图尺寸动态设置全连接层的输入大小设计了多层全连接网络包含ReLU激活、Dropout正则化最后输出层针对数据集的类别数量本例中为2进行调整。
因为输入图像数据为RGB图像在模型的设计时调整并在设计全连接层时引入了动态尺寸计算方法保证了模型的通用性和适应性。
3.实现 代码如下 import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import torch.nn.functional as F
from torch import nn, optim# 数据预处理
image_size (224, 224)
data_transforms transforms.Compose([transforms.RandomHorizontalFlip(),transforms.Resize(image_size),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])#导入数据集
import torchvision.datasets as datasets
train_datadatasets.ImageFolder (rootfruits-360-original-size/fruits-360-original-size/Training,transformdata_transforms)
test_datadatasets.ImageFolder (rootfruits-360-original-size/fruits-360-original-size/Test,transformdata_transforms)
# print(train_data.classes)
# print(..............)
# print(test_data.classes)#DataLoaderbatchsize10#每个批次batch中包含的样本数量
train_loader DataLoader(train_data, batch_sizebatchsize, shuffleTrue, num_workers1)
test_loader DataLoader(test_data, batch_sizebatchsize, shuffleFalse, num_workers1) # 测试时不需打乱数据#创建模型class AlexNet(nn.Module):def __init__(self):super(AlexNet, self).__init__()self.conv nn.Sequential(nn.Conv2d(3, 96, 5, 1, 2),#输入通道数输出通道数卷积核大小步长填充rgb图像所以是三个通道开始没注意以为灰度图像nn.ReLU(),nn.MaxPool2d(3, 2), nn.Conv2d(96, 256, 5, 1, 2),nn.ReLU(),nn.MaxPool2d(3, 2),nn.Conv2d(256, 384, 3, 1, 1),nn.ReLU(),nn.Conv2d(384, 384, 3, 1, 1),nn.ReLU(),nn.Conv2d(384, 256, 3, 1, 1),nn.ReLU(),nn.MaxPool2d(3, 2))# 计算全连接层输入大小self.fc_input_size self._get_fc_input_size()self.fc nn.Sequential(nn.Linear(self.fc_input_size, 4096),nn.ReLU(),nn.Dropout(0.5),#随机丢弃nn.Linear(4096, 4096),nn.ReLU(),nn.Dropout(0.5),nn.Linear(4096, 2)#修改为2因为输出只有两个类)def forward(self, img):# 通过卷积层前向传播img是输入图像张量feature self.conv(img)feature feature.view(img.size(0), -1)#展平# 通过全连接层fc进行前向传播得到最终的输出output self.fc(feature)return output#动态计算全连接层FC层所需要的输入尺寸def _get_fc_input_size(self):# 创建一个与训练/测试时相同尺寸和通道数的随机张量用于通过卷积层x torch.randn(1, 3, image_size[0], image_size[1])# 其中3对应RGB图像的通道数image_size是从外部传入的图像预处理后的尺寸默认为(224, 224)x self.conv(x)return x.view(-1).size(0)#展平后的向量长度# 实例化模型、损失函数和优化器
model AlexNet().to(devicecuda if torch.cuda.is_available() else cpu)
criterion nn.CrossEntropyLoss()
optimizer optim.SGD(model.parameters(), lr0.001, momentum0.9)# 训练函数
def train(model, device, train_loader, optimizer, criterion):model.train()# 遍历训练数据加载器中的每个批次for batch_idx, (data, target) in enumerate(train_loader):data, target data.to(device), target.to(device)#这样更快# 梯度清零防止梯度累积optimizer.zero_grad()output model(data)#预测输出loss criterion(output, target)loss.backward()optimizer.step()# 每10个batch打印一次训练信息if (batch_idx 1) % 10 0 or (batch_idx 1) len(train_loader):print(f训练轮次: {epoch 1}/{num_epochs} 损失: {loss.item():.6f})# 测试函数
def test(model, device, test_loader):model.eval()test_loss 0correct 0#避免在测试过程中计算和存储梯度节省内存并加速计算with torch.no_grad():for data, target in test_loader:data, target data.to(device), target.to(device)output model(data)test_loss criterion(output, target).item() # 累加批次损失pred output.argmax(dim1, keepdimTrue) # 获取预测概率最大的类别索引correct pred.eq(target.view_as(pred)).sum().item()#累加预测正确的数量test_loss / len(test_loader.dataset) # 平均损失# 打印测试结果包括平均损失、正确预测的总数、总样本数以及准确率print(f\n测试集: 平均损失: {test_loss:.6f}, 正确: {correct}/{len(test_loader.dataset)} ({100. * correct / len(test_loader.dataset):.2f}%)\n)# 主训练循环
num_epochs 10 # 设置训练轮数
device torch.device(cuda if torch.cuda.is_available() else cpu)
model.to(device)for epoch in range(num_epochs):print(f第{epoch 1}轮训练开始)train(model, device, train_loader, optimizer, criterion)test(model, device, test_loader)
4.实验
实验过程首先对数据进行预处理然后导入数据集合和数据加载然后对模型进行构造然后对模型进行训练和测试
实验结果如下 5.总结 在实验中由于使用AlexNet网络对RGB图像进行图像分类所以不是灰度图像的输入通道为1而是改成3一开始没想到这点然后对于模型的输出来说由于我是在电脑上跑的内存不太够我对于Fruits-360数据集进行删减最后剩下两个类别所以模型的输出应该改成2然后还有一些训练过程中的错误实现了深度学习的图像分类锻炼了实践能力以及综合能力
