Torch搭建卷积神经网络实现猫的种类识别
时间: 2023-06-16 17:08:15 浏览: 109
基于卷积神经网络的猫狗识别
5星 · 资源好评率100%
好的,让我们来搭建一个卷积神经网络来实现猫的种类识别。
首先,我们需要导入相关的库。我们将使用PyTorch来构建我们的模型,并使用torchvision加载和预处理我们的数据集。
```python
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
```
接下来,我们需要定义我们的数据集和数据加载器。我们将使用ImageFolder数据集,它会自动从文件夹中读取图像,并将它们标记为不同的类别。我们还将使用transforms来对图像进行预处理,例如将它们缩放为相同的大小并进行归一化。
```python
# 定义数据集和转换
transform = transforms.Compose(
[transforms.Resize((224, 224)),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.ImageFolder(root='./data/train', transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)
testset = torchvision.datasets.ImageFolder(root='./data/test', transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)
classes = trainset.classes
```
现在我们可以开始定义我们的模型。我们将使用一个卷积神经网络,其中包含三个卷积层和三个池化层,然后是两个全连接层。我们还将使用Dropout来减少过拟合。
```python
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.conv3 = nn.Conv2d(16, 32, 5)
self.fc1 = nn.Linear(32 * 25 * 25, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, len(classes))
self.dropout = nn.Dropout(p=0.5)
def forward(self, x):
x = self.pool(nn.functional.relu(self.conv1(x)))
x = self.pool(nn.functional.relu(self.conv2(x)))
x = self.pool(nn.functional.relu(self.conv3(x)))
x = x.view(-1, 32 * 25 * 25)
x = self.dropout(nn.functional.relu(self.fc1(x)))
x = self.dropout(nn.functional.relu(self.fc2(x)))
x = self.fc3(x)
return x
net = Net()
```
现在我们可以定义损失函数和优化器。我们将使用交叉熵损失函数和随机梯度下降优化器。
```python
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
```
最后,我们可以开始训练我们的模型。我们将对模型进行10个周期的训练,并在每个周期后进行测试。
```python
# 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 = net(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
# 在测试集上测试模型
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 test images: %d %%' % (
100 * correct / total))
```
这是一个基本的卷积神经网络模型,可以用来识别猫的不同品种。可以根据需要对其进行改进和调整,以提高其性能。
阅读全文