pytorch实现图像识别
时间: 2023-10-23 13:13:59 浏览: 135
PyTorch是一个流行的深度学习框架,可以用于实现图像识别任务。以下是一个简单的图像分类示例:
1. 准备数据集
首先,需要准备一个图像数据集,并将其分为训练集和测试集。可以使用PyTorch中的torchvision库来加载常见的数据集,如MNIST和CIFAR-10,或者自己创建一个数据集。
2. 定义模型
在PyTorch中,可以使用nn.Module类来定义模型。例如,可以使用卷积神经网络(CNN)来实现图像识别任务:
```
import torch.nn as nn
import torch.nn.functional as F
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
```
这个模型有两个卷积层和三个全连接层。
3. 训练模型
定义好模型之后,需要定义损失函数和优化器,并使用训练集对模型进行训练:
```
import torch.optim as optim
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2): # 多次循环遍历数据集
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个小批量输出一次损失值
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
```
4. 测试模型
训练完成后,可以使用测试集测试模型的性能:
```
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))
```
这里使用了测试集来计算模型的准确率。
阅读全文