信息服务类网站怎么做,建筑网站设计,网上注册公司需要什么材料和手续,大连网站建设 仟亿测试集和训练集都是在之前搭建好的基础上进行修改的#xff0c;重点记录与之前不同的代码。
还是使用的花分类的数据集进行训练和测试的。
一、训练集
1、搭建网络
设置参数#xff1a;使用辅助分类器#xff0c;采用权重初始化
net GoogleNet(num_classes5, aux_logi…测试集和训练集都是在之前搭建好的基础上进行修改的重点记录与之前不同的代码。
还是使用的花分类的数据集进行训练和测试的。
一、训练集
1、搭建网络
设置参数使用辅助分类器采用权重初始化
net GoogleNet(num_classes5, aux_logitsTrue, init_weightsTrue)
2、参数输出
之前的模型只有 1 个输出但由于GoogleNet使用了两个辅助分类器所以会有 3 个输出。
定义三个输出分别计算主分类器、辅助分类器1、辅助分类器2的损失函数并相加最后将损失函数反向传播使用优化器更新参数模型。
不单独放代码了不知道哪里是改动的。图片中红色框中是改动的 整个训练集的代码
import torch
import torch.nn as nn
from torchvision import transforms, datasets, utils
import matplotlib as plt
import matplotlib.pyplot as plt
import numpy as np
import torch.optim as optim
from model import GoogleNet
import os
import json
import timedevice torch.device(cuda:0 if torch.cuda.is_available() else cpu)
print(device)data_transform {train: transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]),val: transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])}data_root os.path.abspath(os.path.join(os.getcwd(), ../..))
image_path data_root /data_set/flower_data
# train set
train_dataset datasets.ImageFolder(rootimage_path /train,transformdata_transform[train])
train_num len(train_dataset)# {daisy: 0, dandelion: 1, roses: 2, sunflower: 3, tulips: 4}
flower_list train_dataset.class_to_idx
cla_dict dict((val, key) for key, val in flower_list.items())
# 把文件写入接送文件
json_str json.dumps(cla_dict, indent4)
with open(class_indices,json, w) as json_file:json_file.write(json_str)batch_size 32
train_loader torch.utils.data.DataLoader(train_dataset,batch_sizebatch_size, shuffleTrue,num_workers0)
#
validate_dataset datasets.ImageFolder(rootimage_path /val,transformdata_transform[val])
val_num len(validate_dataset)
validate_loader torch.utils.data.DataLoader(validate_dataset, batch_sizebatch_size,shuffleFalse, num_workers0)# test_data_iter iter(validate_loader)
# test_image, test_label next(test_data_iter)
#
# # 查看图片
# def imshow(img):
# img img / 2 0.5
# nping img.numpy()
# plt.imshow(np.transpose(nping, (1, 2, 0)))
# plt.show()
# # print labels
# print( .join(%5s % str(cla_dict[test_label[j].item()]) for j in range(4)))
# # show images
# imshow(utils.make_grid(test_image))net GoogleNet(num_classes5, aux_logitsTrue, init_weightsTrue)
net.to(device)
loss_function nn.CrossEntropyLoss()optimizer optim.Adam(net.parameters(), lr0.0003)best_acc 0.0
save_path ./GoogleNet.pth
# best_acc 0.0
for epoch in range(2):# trainnet.train()running_loss 0.0t1 time.perf_counter()for step, data in enumerate(train_loader, start0):images, labels dataoptimizer.zero_grad()logits, aux_logits2, aux_logits1 net(images.to(device))loss0 loss_function(logits, labels.to(device))loss1 loss_function(aux_logits1, labels.to(device))loss2 loss_function(aux_logits2, labels.to(device))loss loss0 loss1 * 0.3 loss2 * 0.3loss.backward()optimizer.step()# print statisticsrunning_loss loss.item()rate (step1) / len(train_loader)a * * int(rate*50)b . *int((1-rate)*50)print(\rtrain loss: (:3.0f)%[()-:.3f).format(int(rate * 100), a, b, loss), end)print()print(time.perf_counter()-t1)net.eval()acc 0.0with torch.no_grad():for data_test in validate_loader:test_images, test_labels data_testoutputs net(test_images.to(device))predict_y torch.max(outputs, dim1)[1]acc (predict_y test_labels.to(device)).sum().item()accurate_test acc / val_numif accurate_test best_acc:best_acc accurate_testtorch.save(net.state_dict(), save_path)print([epoch %d] train_loss: %.3f test_accuracy: %.3f %(epoch 1, running_loss / step, acc / val_num))
print(Finished Training)训练完成 中间有几次报错不过在看懂报错后很快改过来了。 二、测试集
载入模型
在创建模型的时候aux_logits不会构建辅助分类器但是之前训练的参数会保存。
所以在载入模型的时候要设置参数strictFalse, 它可以精准匹配当前模型与所需要载入的权重模型的结构。
辅助分类器中的参数全部存放在unexpecte_keys中。 测试集全部代码 可以自己找图片进行预测看准确率。
import torch
import matplotlib.pyplot as plt
import json
from model import GoogleNet
from PIL import Image
from torchvision import transformsdata_transform transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])# load image
img Image.open(8.jpeg)
plt.imshow(img)
img data_transform(img)
img torch.unsqueeze(img, dim0)# read class_indent
try:json_file open(./class_indices,json, r)class_indict json.load(json_file)
except Exception as e:print(e)exit(-1)# create model
model GoogleNet(num_classes5, aux_logitsFalse)
model_weight_path ./GoogleNet.pth
missing_keys, unexpected_keys model.load_state_dict(torch.load(model_weight_path), strictFalse)
model.eval()
with torch.no_grad():output torch.squeeze(model(img))predict torch.softmax(output, dim0)predict_cla torch.argmax(predict).numpy()
print(class_indict[str(predict_cla)], predict[predict_cla].item())
plt.show() 准确率好低可能是模型训练的还不够吧。
