机器学习resnet50垃圾分类

### 使用ResNet50实现垃圾分类的机器学习模型

#### 数据准备
为了构建一个有效的垃圾识别分类系统，需要先准备好高质量的数据集。该系统采用了五类常见垃圾类别：'塑料', '玻璃', '纸张', '纸板', 和 '金属'[^1]。

#### 模型选择与环境配置
选用ResNet50作为基础模型是因为它具有良好的泛化能力和较低的过拟合风险。此模型已经在ImageNet数据集上进行了预训练，这有助于提高迁移学习的效果。建议使用PyTorch框架来加载并微调这个预训练模型[^2]。

#### 加载预训练模型
下面是如何在PyTorch中加载ResNet50预训练模型：

import torch
from torchvision import models

model = models.resnet50(pretrained=True)

#### 修改最后一层全连接层
由于原始ResNet50的最后一层是为了适应ImageNet中的1000个类别而设计的，因此需要将其调整为适合当前任务所需的输出维度——即五个垃圾种类的数量。

num_ftrs = model.fc.in_features
model.fc = torch.nn.Linear(num_ftrs, 5)  # 将最后一个线性层改为5个输出节点对应5种垃圾类型

#### 训练设置
定义损失函数和优化器，并确保选择了合适的设备（CPU或GPU）。考虑到可能存在的硬件限制，在选择具体型号时也要注意GPU资源的情况[^3]。

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)

#### 图像预处理
图像预处理对于最终的结果至关重要。通常会涉及到尺寸缩放、裁剪以及标准化等操作。这些步骤可以通过`torchvision.transforms`库轻松完成。

from torchvision import transforms

data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])
}

#### 构建数据管道
创建Dataset对象并将它们传递给DataLoader实例以便于后续批量读取样本。

from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader

image_datasets = {x: ImageFolder(root=f'data/{x}', transform=data_transforms[x]) for x in ['train', 'val']}
dataloaders = {x: DataLoader(image_datasets[x], batch_siz