假设我现在要使用pytorch框架做深度学习,已知我有一些火焰图像,还有一张excel表格,命名为"CDS.csv",在表格中有一列参数,标题为“temperature”,一张火焰图像对应表格中的一行参数,也就是说,我要通过图像识别,使卷积神经网络在接收到火焰图像时,自动判断它对应的参数是多少,请以此为背景,写出完整的代码,并加上注释,并且解释每个变量代表的含义
时间: 2023-06-16 16:03:33 浏览: 141
深度学习作业-基于resnet50和vgg16网络pytorch框架实现猫狗分类完整源码+代码注释+实验报告.zip
5星 · 资源好评率100%
好的,以下是代码和注释:
```python
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
import torchvision.transforms as transforms
import pandas as pd
from PIL import Image
# 定义数据集类,继承自Dataset
class FlameDataset(Dataset):
def __init__(self, csv_file, img_dir, transform=None):
"""
:param csv_file: csv文件路径
:param img_dir: 图像文件夹路径
:param transform: 图像变换操作
"""
self.data = pd.read_csv(csv_file) # 读取csv文件
self.img_dir = img_dir
self.transform = transform
def __len__(self):
return len(self.data) # 返回数据集大小
def __getitem__(self, index):
row = self.data.iloc[index] # 获取指定行的数据
img = Image.open(self.img_dir + row['image']) # 读取对应图像
if self.transform:
img = self.transform(img) # 对图像进行变换
temp = row['temperature'] # 获取对应参数
return img, temp # 返回图像和参数
# 定义卷积神经网络模型
class FlameNet(nn.Module):
def __init__(self):
super(FlameNet, self).__init__()
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
self.bn1 = nn.BatchNorm2d(32)
self.relu1 = nn.ReLU()
self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
self.bn2 = nn.BatchNorm2d(64)
self.relu2 = nn.ReLU()
self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
self.fc1 = nn.Linear(64 * 28 * 28, 128)
self.relu3 = nn.ReLU()
self.fc2 = nn.Linear(128, 1)
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu1(x)
x = self.pool1(x)
x = self.conv2(x)
x = self.bn2(x)
x = self.relu2(x)
x = self.pool2(x)
x = x.view(-1, 64 * 28 * 28)
x = self.fc1(x)
x = self.relu3(x)
x = self.fc2(x)
return x
# 定义训练函数
def train(model, train_loader, criterion, optimizer, device):
model.train()
running_loss = 0.0
for i, data in enumerate(train_loader):
inputs, labels = data[0].to(device), data[1].to(device)
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels.float().unsqueeze(1))
loss.backward()
optimizer.step()
running_loss += loss.item()
return running_loss / len(train_loader)
# 定义测试函数
def test(model, test_loader, criterion, device):
model.eval()
running_loss = 0.0
with torch.no_grad():
for i, data in enumerate(test_loader):
inputs, labels = data[0].to(device), data[1].to(device)
outputs = model(inputs)
loss = criterion(outputs, labels.float().unsqueeze(1))
running_loss += loss.item()
return running_loss / len(test_loader)
if __name__ == '__main__':
# 设置超参数
batch_size = 16
learning_rate = 0.001
num_epochs = 10
# 加载数据集
transform = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
])
train_dataset = FlameDataset('CDS.csv', 'images/', transform=transform)
test_dataset = FlameDataset('CDS.csv', 'images/', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
# 实例化模型、损失函数和优化器
model = FlameNet()
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# 将模型和数据移动到GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
# 训练模型
for epoch in range(num_epochs):
train_loss = train(model, train_loader, criterion, optimizer, device)
test_loss = test(model, test_loader, criterion, device)
print('Epoch [{}/{}], Train Loss: {:.4f}, Test Loss: {:.4f}'
.format(epoch+1, num_epochs, train_loss, test_loss))
```
代码解释:
- `FlameDataset` 类定义了数据集类,其中 `__init__` 方法初始化了数据集的属性,`__len__` 方法返回数据集大小,`__getitem__` 方法返回指定索引的图像和对应参数。
- `FlameNet` 类定义了卷积神经网络模型,其中 `__init__` 方法定义了模型的各个层,`forward` 方法定义了模型的前向计算过程。
- `train` 函数定义了训练函数,其中 `model.train()` 表示进入训练模式,`optimizer.zero_grad()` 表示清除梯度,`loss.backward()` 表示反向传播计算梯度,`optimizer.step()` 表示更新参数。
- `test` 函数定义了测试函数,其中 `model.eval()` 表示进入测试模式,`with torch.no_grad():` 表示不计算梯度。
- 在 `main` 函数中,我们先定义了超参数,然后定义了数据集的变换操作,接着加载数据集并实例化模型、损失函数和优化器。然后将模型和数据移动到 GPU 上,最后进行模型训练。
阅读全文