CIFAR10彩色图片识别

CIFAR10彩色图片识别

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊
  

  文章目录

  • CIFAR10彩色图片识别
  • 前言
  • 一、准备工作
  • • 1.项目环境
    • 2.设置CPU
    • 3.下载数据集
    • 3.加载数据集
    • 4.从数据集里取一个批次的图片和标签，进行数据可视化
  • 二、构建CNN网络
  • 三、加载并打印模型
  • 四、训练模型
  • • 1.设置超参数
    • 2.编写训练函数
    • 3.编写测试函数
    • 4.正式训练
  • 五、结果可视化

前言

本文章旨在基于CIFAR10彩色图片识别学习构建CNN网络。

一、准备工作

1.项目环境

#语言环境：python 3.9
#编译环境：jupyter lab
#深度学习环境 ：torch=1.12.1+cu113 torchvision=0.13.1+cu113

tips:如何查看python版本以及相关库版本？

!python--version#输出python版本#在jupyter lab运行该指令需要加!,vscode或者pycharm则不用。importtorch;print(torch.__version__)#输出torch版本importtorchvision;print(torchvision.__version__)#输出torchvision版本

运行结果如下：

Python3.9.251.12.1+cu1130.13.1+cu113

2.设置CPU

importtorchimporttorch.nnasnn#nn = Neural Network（神经网络）#用来快速搭建层：卷积层、全连接层、激活函数、损失函数等importmatplotlib.pyplotasplt#画图工具：用来显示图片、绘制损失曲线、可视化结果importtorchvision#作用：计算机视觉专用库#提供现成数据集#提供常用模型#提供图片预处理工具device=torch.device("cpu")device

运行结果如下：

device(type='cpu')

3.下载数据集

使用torchvision.datasets函数下载CIFAR10数据集：

train_ds=torchvision.datasets.CIFAR10('data',train=True,transform=torchvision.transforms.ToTensor(),# 将数据类型转化为Tensordownload=True)test_ds=torchvision.datasets.CIFAR10('data',train=False,transform=torchvision.transforms.ToTensor(),# 将数据类型转化为Tensordownload=True)

3.加载数据集

使用torch.utils.data.DataLoader函数加载CIFAR10数据集：

batch_size=32#每个批次取得的样本数train_dl=torch.utils.data.DataLoader(train_ds,#训练集batch_size=batch_size,#批次大小shuffle=True)#整个数据集整体随机打乱顺序后按批次大小取数test_dl=torch.utils.data.DataLoader(test_ds,batch_size=batch_size)

4.从数据集里取一个批次的图片和标签，进行数据可视化

importnumpyasnp#从数据集里取一个批次的图片和标签imgs,labels=next(iter(train_dl))# 指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)plt.figure(figsize=(20,5))fori,imgsinenumerate(imgs[:20]):# 维度缩减npimg=np.squeeze(imgs.numpy())# 将整个figure分成4行5列，绘制第i+1个子图。plt.subplot(4,5,i+1)plt.imshow(npimg,cmap=plt.cm.binary)plt.axis('off')

运行结果如下：

二、构建CNN网络

importtorch.nn.functionalasF num_classes=10# 图片的类别数classModel(nn.Module):def__init__(self):super().__init__()# 特征提取网络self.conv1=nn.Conv2d(3,64,kernel_size=3)# 第一层卷积,卷积核大小为3*3self.pool1=nn.MaxPool2d(kernel_size=2)# 设置池化层，池化核大小为2*2self.conv2=nn.Conv2d(64,64,kernel_size=3)# 第二层卷积,卷积核大小为3*3self.pool2=nn.MaxPool2d(kernel_size=2)self.conv3=nn.Conv2d(64,128,kernel_size=3)# 第二层卷积,卷积核大小为3*3self.pool3=nn.MaxPool2d(kernel_size=2)# 分类网络self.fc1=nn.Linear(512,256)self.fc2=nn.Linear(256,num_classes)# 前向传播defforward(self,x):x=self.pool1(F.relu(self.conv1(x)))x=self.pool2(F.relu(self.conv2(x)))x=self.pool3(F.relu(self.conv3(x)))x=torch.flatten(x,start_dim=1)x=F.relu(self.fc1(x))x=self.fc2(x)returnx

网络数据shape变化过程为：
3, 32, 32（输入数据）
-> 64, 30, 30（经过卷积层1）-> 64, 15, 15（经过池化层1）
-> 64, 13, 13（经过卷积层2）-> 64, 6, 6（经过池化层2）
-> 128, 4, 4（经过卷积层3） -> 128, 2, 2（经过池化层3）
-> 512 -> 256 -> num_classes(10)

三、加载并打印模型

fromtorchinfoimportsummary# 将模型转移到CPU中model=Model().to(device)summary(model)

运行结果如下：

四、训练模型

1.设置超参数

loss_fn=nn.CrossEntropyLoss()# 创建损失函数learn_rate=1e-2# 学习率opt=torch.optim.SGD(model.parameters(),lr=learn_rate)

2.编写训练函数

# 训练循环deftrain(dataloader,model,loss_fn,optimizer):size=len(dataloader.dataset)# 训练集的大小，一共60000张图片num_batches=len(dataloader)# 批次数目，1875（60000/32）train_loss,train_acc=0,0# 初始化训练损失和正确率forX,yindataloader:# 获取图片及其标签X,y=X.to(device),y.to(device)# 计算预测误差pred=model(X)# 网络输出loss=loss_fn(pred,y)# 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失# 反向传播optimizer.zero_grad()# grad属性归零loss.backward()# 反向传播optimizer.step()# 每一步自动更新# 记录acc与losstrain_acc+=(pred.argmax(1)==y).type(torch.float).sum().item()train_loss+=loss.item()train_acc/=size train_loss/=num_batchesreturntrain_acc,train_loss

3.编写测试函数

deftest(dataloader,model,loss_fn):size=len(dataloader.dataset)# 测试集的大小，一共10000张图片num_batches=len(dataloader)# 批次数目，313（10000/32=312.5，向上取整）test_loss,test_acc=0,0# 当不进行训练时，停止梯度更新，节省计算内存消耗withtorch.no_grad():forimgs,targetindataloader:imgs,target=imgs.to(device),target.to(device)# 计算losstarget_pred=model(imgs)loss=loss_fn(target_pred,target)test_loss+=loss.item()test_acc+=(target_pred.argmax(1)==target).type(torch.float).sum().item()test_acc/=size test_loss/=num_batchesreturntest_acc,test_loss

4.正式训练

epochs=10train_loss=[]train_acc=[]test_loss=[]test_acc=[]forepochinrange(epochs):model.train()epoch_train_acc,epoch_train_loss=train(train_dl,model,loss_fn,opt)model.eval()epoch_test_acc,epoch_test_loss=test(test_dl,model,loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template=('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')print(template.format(epoch+1,epoch_train_acc*100,epoch_train_loss,epoch_test_acc*100,epoch_test_loss))print('Done')

运行结果如下：

五、结果可视化

importmatplotlib.pyplotasplt#隐藏警告importwarnings warnings.filterwarnings("ignore")#忽略警告信息plt.rcParams['font.sans-serif']=['SimHei']# 用来正常显示中文标签plt.rcParams['axes.unicode_minus']=False# 用来正常显示负号plt.rcParams['figure.dpi']=100#分辨率fromdatetimeimportdatetime current_time=datetime.now()# 获取当前时间epochs_range=range(epochs)plt.figure(figsize=(12,3))plt.subplot(1,2,1)plt.plot(epochs_range,train_acc,label='Training Accuracy')plt.plot(epochs_range,test_acc,label='Test Accuracy')plt.legend(loc='lower right')plt.title('Training and Validation Accuracy')plt.xlabel(current_time)# 打卡请带上时间戳，否则代码截图无效plt.subplot(1,2,2)plt.plot(epochs_range,train_loss,label='Training Loss')plt.plot(epochs_range,test_loss,label='Test Loss')plt.legend(loc='upper right')plt.title('Training and Validation Loss')plt.show()

运行结果如下：