pytorch用vgg16训练本地图片得到训练的模型以及拿一张图测试的代码
时间: 2024-02-11 17:05:45 浏览: 129
利用PyTorch实现VGG16教程
5星 · 资源好评率100%
好的,我可以为您提供相关的代码。
首先,您需要安装PyTorch和torchvision库。如果您使用Anaconda,可以通过以下命令安装:
```
conda install pytorch torchvision -c pytorch
```
接下来,您可以使用以下代码来训练一个VGG16模型:
```python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
# 定义数据预处理
transform = 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])])
# 加载训练数据
trainset = torchvision.datasets.ImageFolder(root='./data/train', transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
# 加载测试数据
testset = torchvision.datasets.ImageFolder(root='./data/test', transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
# 定义模型
vgg16 = torchvision.models.vgg16(pretrained=True)
num_features = vgg16.classifier[6].in_features
vgg16.classifier[6] = nn.Linear(num_features, 2)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(vgg16.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(10):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = vgg16(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
# 保存模型
PATH = './vgg16.pth'
torch.save(vgg16.state_dict(), PATH)
```
在上述代码中,我们使用ImageFolder加载了训练和测试数据,并使用预定义的VGG16模型。我们还定义了损失函数和优化器,并使用SGD算法进行训练。最后,我们将训练好的模型保存在vgg16.pth文件中。
接下来,我们可以使用以下代码来测试训练好的模型:
```python
import torch
import torchvision.transforms as transforms
from PIL import Image
# 加载模型
PATH = './vgg16.pth'
vgg16 = torchvision.models.vgg16(pretrained=True)
num_features = vgg16.classifier[6].in_features
vgg16.classifier[6] = nn.Linear(num_features, 2)
vgg16.load_state_dict(torch.load(PATH))
vgg16.eval()
# 加载测试图片并进行预处理
transform = 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])])
image = Image.open('./data/test/cat/cat1.jpg')
image = transform(image).unsqueeze(0)
# 使用模型进行预测
output = vgg16(image)
prediction = torch.argmax(output, dim=1)
# 输出预测结果
if prediction == 0:
print('This is a cat.')
else:
print('This is a dog.')
```
在上述代码中,我们首先加载训练好的模型,然后加载一张测试图片并进行预处理。接下来,我们使用模型进行预测,并输出预测结果。
希望这些代码能够帮助到您。
阅读全文