pytorch图像分类实战

1. 准备数据集
在图像分类实战中，我们通常需要先准备数据集。PyTorch中提供了torchvision模块，可以方便地加载和处理常见的图像数据集，如MNIST、CIFAR10、ImageNet等。

下面以CIFAR10数据集为例，介绍如何准备数据集。

1.1 下载数据集
可以从CIFAR官网下载CIFAR10数据集：https://www.cs.toronto.edu/~kriz/cifar.html

也可以直接使用PyTorch提供的数据集下载函数：

import torchvision.datasets as datasets

trainset = datasets.CIFAR10(root='./data', train=True, download=True)
testset = datasets.CIFAR10(root='./data', train=False, download=True)

其中，train=True表示下载训练集，train=False表示下载测试集。root参数指定数据集下载的目录。

1.2 加载数据集
PyTorch提供了DataLoader类，可以方便地对数据集进行批量处理和加载。

import torchvision.transforms as transforms
from torch.utils.data import DataLoader

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

trainloader = DataLoader(trainset, batch_size=32, shuffle=True, num_workers=2)
testloader = DataLoader(testset, batch_size=32, shuffle=False, num_workers=2)

其中，transform参数指定数据预处理的方式。上面的代码将图像resize到224x224大小，并进行了标准化处理。batch_size参数指定每个batch的大小，shuffle参数指定是否随机打乱数据集，num_workers参数指定数据加载时使用的线程数。

2. 定义模型
接下来，我们需要定义一个模型来对图像进行分类。在PyTorch中，可以使用nn模块来定义模型。

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

net = Net()

上面的代码定义了一个简单的卷积神经网络，包含两个卷积层、两个池化层和三个全连接层。

3. 训练模型
有了数据集和模型，接下来就可以开始训练模型了。在PyTorch中，可以使用optim模块来定义优化器，使用nn模块中的损失函数来计算损失。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

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

print('Finished Training')

上面的代码定义了一个SGD优化器，学习率为0.001，动量为0.9。每个epoch内，遍历整个训练集，每次取出一个batch进行训练，计算损失并反向传播更新参数。

4. 测试模型
训练完成后，可以使用测试集来评估模型的性能。

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))

上面的代码使用测试集来测试模型的准确率。

5. 保存和加载模型
训练完成后，可以将模型保存下来，以便在以后再次使用。

PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

上面的代码将模型参数保存到文件cifar_net.pth中。

加载模型时，可以使用以下代码：

net = Net()
net.load_state_dict(torch.load(PATH))

上面的代码创建了一个新的模型，并将保存的参数加载到该模型中。

6. 总结
以上就是PyTorch图像分类实战的主要内容。通过以上实战，可以了解到PyTorch中如何准备数据集、定义模型、训练模型、测试模型以及保存和加载模型等基本操作。同时，还可以通过实战体验到PyTorch的简单易用、灵活性高等特点。