pytorch花朵图片识别模型代码

PyTorch 中建立一个花朵图像识别模型的基本步骤通常涉及以下几个部分：

1. **数据预处理**：首先，你需要加载花朵数据集，如Flowers102或Oxford Flowers等。这包括读取图片、归一化、转换成Tensor，并创建DataLoader。

import torchvision.transforms as transforms
from torchvision.datasets import ImageFolder
data_transforms = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

train_dataset = ImageFolder(root='path/to/train', transform=data_transforms)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)

2. **构建网络模型**：你可以选择预训练的模型如ResNet、VGG、Inception等，然后在其基础上添加分类层进行特定任务的微调。

import torchvision.models as models
model = models.resnet18(pretrained=True)
num_classes = len(train_dataset.classes) # 获取花的种类数
model.fc = nn.Linear(model.fc.in_features, num_classes)

3. **编译和训练模型**：
- 定义损失函数（如交叉熵）和优化器（如SGD或Adam）
- 进行训练循环，每次迭代前对输入数据进行前向传播，计算损失，反向传播更新权重

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

for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

4. **评估和保存模型**：在验证集上评估模型性能，可以选择最佳模型并保存以便后续使用。

# 验证阶段
val_loader = ...  # 同样的方式创建验证数据加载器
model.eval()  # 转换到测试模式
val_loss, val_acc = compute_accuracy(model, val_loader)
print(f"Validation Accuracy: {val_acc}")

# 保存模型
torch.save(model.state_dict(), 'flower_classifier.pth')