基于pytorch水果图像识别实现批量标准化和Dropout

批量标准化（Batch Normalization）和 Dropout 是深度学习中常用的正则化方法，可以有效地防止神经网络过拟合。

下面是一个基于 PyTorch 的水果图像识别模型，我们将在这个模型中添加批量标准化和 Dropout。

首先，我们需要导入 PyTorch 和相关的包：

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms

然后，我们定义一个水果图像识别模型 FruitNet，该模型包含两个卷积层、两个池化层和三个全连接层。

class FruitNet(nn.Module):
    def __init__(self):
        super(FruitNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 8 * 8, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 5)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 64 * 8 * 8)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

接下来，我们定义一个函数 train_model，该函数用于训练模型，并添加批量标准化和 Dropout。

def train_model(model, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        data = data.to(device)
        target = target.to(device)
        # 添加批量标准化
        data = nn.BatchNorm2d(3)(data)
        output = model(data)
        # 添加 Dropout
        output = nn.Dropout(p=0.5)(output)
        loss = F.cross_entropy(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 20 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

在训练模型的过程中，我们将输入数据进行批量标准化和 Dropout 处理，以防止过拟合。

最后，我们定义一个函数 test_model，该函数用于测试模型，并计算测试准确率。

def test_model(model, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data = data.to(device)
            target = target.to(device)
            # 添加批量标准化
            data = nn.BatchNorm2d(3)(data)
            output = model(data)
            # 添加 Dropout
            output = nn.Dropout(p=0.5)(output)
            test_loss += F.cross_entropy(output, target, reduction='sum').item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

现在，我们可以使用上述函数来训练和测试我们的水果图像识别模型了。

# 设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 加载数据
train_dataset = datasets.ImageFolder('fruits-360/Training',
                                     transform=transforms.Compose([
                                         transforms.Resize((32, 32)),
                                         transforms.ToTensor(),
                                         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
                                     ]))
test_dataset = datasets.ImageFolder('fruits-360/Test',
                                    transform=transforms.Compose([
                                        transforms.Resize((32, 32)),
                                        transforms.ToTensor(),
                                        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
                                    ]))

train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=True)

# 初始化模型和优化器
model = FruitNet().to(device)
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(1, 11):
    train_model(model, train_loader, optimizer, epoch)
    test_model(model, test_loader)

在训练过程中，我们会看到输出的训练损失和测试准确率。您可以根据需要调整批量标准化和 Dropout 的参数来优化模型的性能。