重庆官方网站查询系统,苏州公司,com网站注册,物流网站有哪些#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 | 接辅导、项目定制 文章目录 前言1 我的环境2 代码实现与执行结果2.1 前期准备2.1.1 引入库2.1.2 设置GPU#xff08;如果设备上支持GPU就使用GPU,否则使用C… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 | 接辅导、项目定制 文章目录 前言1 我的环境2 代码实现与执行结果2.1 前期准备2.1.1 引入库2.1.2 设置GPU如果设备上支持GPU就使用GPU,否则使用CPU2.1.3 导入数据2.1.4 可视化数据2.1.4 图像数据变换2.1.4 划分数据集2.1.4 加载数据2.1.4 查看数据 2.2 构建CNN网络模型2.3 训练模型2.3.1 训练模型2.3.2 编写训练函数2.3.3 编写测试函数2.3.4 正式训练 2.4 结果可视化 3 知识点详解3.1 torchvision.transforms.Compose()详解3.2 pathlib中glob匹配多个格式文件获取数据列表3.3 plt.tight_layout()作用3.4 x.view()函数3.5 The freeze_support error解决方案3.6 提升测试acc--改变优化器 总结 前言 本文将采用pytorch框架创建CNN网络实现天气识别。讲述实现代码与执行结果并浅谈涉及知识点。 关键字 torchvision.transforms.Compose()详解,pathlib中glob匹配多个格式文件获取数据列表,plt.tight_layout()作用,x.view()函数The freeze_support error解决方案提升测试acc–改变优化器。 1 我的环境 电脑系统Windows 11语言环境python 3.8.6编译器pycharm2020.2.3深度学习环境 torch 1.9.1cu111 torchvision 0.10.1cu111显卡NVIDIA GeForce RTX 4070 2 代码实现与执行结果 2.1 前期准备 2.1.1 引入库 import torch import torch.nn as nnfrom torchvision import transforms, datasets import os from pathlib import Path from PIL import Image from torchinfo import summary import torch.nn.functional as F import matplotlib.pyplot as pltplt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号 plt.rcParams[figure.dpi] 100 # 分辨率 import warningswarnings.filterwarnings(ignore) # 忽略一些warning内容无需打印2.1.2 设置GPU如果设备上支持GPU就使用GPU,否则使用CPU 前期准备-设置GPU # 如果设备上支持GPU就使用GPU,否则使用CPUdevice torch.device(cuda if torch.cuda.is_available() else cpu)print(Using {} device.format(device))输出 Using cuda device2.1.3 导入数据 前期工作-导入数据 data_dir D:/DeepLearning/data/weather_photos/ data_dir Path(data_dir)data_paths list(data_dir.glob(*)) classeNames [str(path).split(\\)[-1] for path in data_paths] print(classeNames)输出 [cloudy, rain, shine, sunrise]2.1.4 可视化数据 前期工作-可视化数据 # 指定图像文件夹路径 image_folder os.path.join(data_dir, cloudy/) # 获取文件夹中的所有图像文件 image_files [f for f in os.listdir(image_folder) if f.endswith((.jpg, .png, .jpeg))] # 创建Matplotlib图像 fig, axes plt.subplots(3, 8, figsize(16, 6)) # 使用列表推导式加载和显示图像 for ax, img_file in zip(axes.flat, image_files):img_path os.path.join(image_folder, img_file)img Image.open(img_path)ax.imshow(img)ax.axis(off) # 显示图像 plt.tight_layout() plt.show()2.1.4 图像数据变换 前期工作-图像数据变换 total_datadir data_dir# 关于transforms.Compose的更多介绍可以参考https://blog.csdn.net/qq_38251616/article/details/124878863 train_transforms transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406],std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。 ]) total_data datasets.ImageFolder(total_datadir, transformtrain_transforms) print(total_data)输出 Dataset ImageFolderNumber of datapoints: 1125Root location: D:\DeepLearning\data\weather_photosStandardTransform Transform: Compose(Resize(size[224, 224], interpolationbilinear, max_sizeNone, antialiasNone)ToTensor()Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]))2.1.4 划分数据集 前期工作-划分数据集 train_size int(0.8 * len(total_data)) # train_size表示训练集大小通过将总体数据长度的80%转换为整数得到 test_size len(total_data) - train_size # test_size表示测试集大小是总体数据长度减去训练集大小。 # 使用torch.utils.data.random_split()方法进行数据集划分。该方法将总体数据total_data按照指定的大小比例[train_size, test_size]随机划分为训练集和测试集 # 并将划分结果分别赋值给train_dataset和test_dataset两个变量。 train_dataset, test_dataset torch.utils.data.random_split(total_data, [train_size, test_size]) print(train_dataset, test_dataset) 输出 torch.utils.data.dataset.Subset object at 0x000001A0144E8D00 torch.utils.data.dataset.Subset object at 0x000001A0144E8DC02.1.4 加载数据 前期工作-加载数据 batch_size 32train_dl torch.utils.data.DataLoader(train_dataset,batch_sizebatch_size,shuffleTrue,num_workers1) test_dl torch.utils.data.DataLoader(test_dataset,batch_sizebatch_size,shuffleTrue,num_workers1)2.1.4 查看数据 前期工作-查看数据 for X, y in test_dl:print(Shape of X [N, C, H, W]: , X.shape)print(Shape of y: , y.shape, y.dtype)break输出 Shape of X [N, C, H, W]: torch.Size([32, 3, 224, 224]) Shape of y: torch.Size([32]) torch.int642.2 构建CNN网络模型 构建CNN网络 class Network_bn(nn.Module):def __init__(self):super(Network_bn, self).__init__()nn.Conv2d()函数第一个参数in_channels是输入的channel数量第二个参数out_channels是输出的channel数量第三个参数kernel_size是卷积核大小第四个参数stride是步长默认为1第五个参数padding是填充大小默认为0self.conv1 nn.Conv2d(in_channels3, out_channels12, kernel_size5, stride1, padding0)self.bn1 nn.BatchNorm2d(12)self.conv2 nn.Conv2d(in_channels12, out_channels12, kernel_size5, stride1, padding0)self.bn2 nn.BatchNorm2d(12)self.pool nn.MaxPool2d(2, 2)self.conv4 nn.Conv2d(in_channels12, out_channels24, kernel_size5, stride1, padding0)self.bn4 nn.BatchNorm2d(24)self.conv5 nn.Conv2d(in_channels24, out_channels24, kernel_size5, stride1, padding0)self.bn5 nn.BatchNorm2d(24)self.fc1 nn.Linear(24 * 50 * 50, len(classeNames))def forward(self, x):x F.relu(self.bn1(self.conv1(x)))x F.relu(self.bn2(self.conv2(x)))x self.pool(x)x F.relu(self.bn4(self.conv4(x)))x F.relu(self.bn5(self.conv5(x)))x self.pool(x)x x.view(-1, 24 * 50 * 50)x self.fc1(x)return xmodel Network_bn().to(device) print(model) summary(model) 输出 Network_bn((conv1): Conv2d(3, 12, kernel_size(5, 5), stride(1, 1))(bn1): BatchNorm2d(12, eps1e-05, momentum0.1, affineTrue, track_running_statsTrue)(conv2): Conv2d(12, 12, kernel_size(5, 5), stride(1, 1))(bn2): BatchNorm2d(12, eps1e-05, momentum0.1, affineTrue, track_running_statsTrue)(pool): MaxPool2d(kernel_size2, stride2, padding0, dilation1, ceil_modeFalse)(conv4): Conv2d(12, 24, kernel_size(5, 5), stride(1, 1))(bn4): BatchNorm2d(24, eps1e-05, momentum0.1, affineTrue, track_running_statsTrue)(conv5): Conv2d(24, 24, kernel_size(5, 5), stride(1, 1))(bn5): BatchNorm2d(24, eps1e-05, momentum0.1, affineTrue, track_running_statsTrue)(fc1): Linear(in_features60000, out_features4, biasTrue) )Layer (type:depth-idx) Param #Network_bn -- ├─Conv2d: 1-1 912 ├─BatchNorm2d: 1-2 24 ├─Conv2d: 1-3 3,612 ├─BatchNorm2d: 1-4 24 ├─MaxPool2d: 1-5 -- ├─Conv2d: 1-6 7,224 ├─BatchNorm2d: 1-7 48 ├─Conv2d: 1-8 14,424 ├─BatchNorm2d: 1-9 48 ├─Linear: 1-10 240,004Total params: 266,320 Trainable params: 266,320 Non-trainable params: 02.3 训练模型 2.3.1 训练模型 训练模型--设置超参数 loss_fn nn.CrossEntropyLoss() # 创建损失函数计算实际输出和真实相差多少交叉熵损失函数事实上它就是做图片分类任务时常用的损失函数 learn_rate 1e-4 # 学习率 opt torch.optim.SGD(model.parameters(), lrlearn_rate) # 作用是定义优化器用来训练时候优化模型参数其中SGD表示随机梯度下降用于控制实际输出y与真实y之间的相差有多大 2.3.2 编写训练函数 训练模型--编写训练函数 # 训练循环 def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小一共60000张图片num_batches len(dataloader) # 批次数目187560000/32train_loss, train_acc 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 加载数据加载器得到里面的 X图片数据和 y真实标签X, y X.to(device), y.to(device) # 用于将数据存到显卡# 计算预测误差pred model(X) # 网络输出loss loss_fn(pred, y) # 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad() # 清空过往梯度loss.backward() # 反向传播计算当前梯度optimizer.step() # 根据梯度更新网络参数# 记录acc与losstrain_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss2.3.3 编写测试函数 训练模型--编写测试函数 # 测试函数和训练函数大致相同但是由于不进行梯度下降对网络权重进行更新所以不需要传入优化器 def test(dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小一共10000张图片num_batches len(dataloader) # 批次数目31310000/32312.5向上取整test_loss, test_acc 0, 0# 当不进行训练时停止梯度更新节省计算内存消耗with torch.no_grad(): # 测试时模型参数不用更新所以 no_grad整个模型参数正向推就ok不反向更新参数for imgs, target in dataloader:imgs, target imgs.to(device), target.to(device)# 计算losstarget_pred model(imgs)loss loss_fn(target_pred, target)test_loss loss.item()test_acc (target_pred.argmax(1) target).type(torch.float).sum().item()#统计预测正确的个数test_acc / sizetest_loss / num_batchesreturn test_acc, test_loss 2.3.4 正式训练 训练模型--正式训练 epochs 20 train_loss [] train_acc [] test_loss [] test_acc []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%Test_loss:{:.3f})print(template.format(epoch 1, epoch_train_acc * 100, epoch_train_loss, epoch_test_acc * 100, epoch_test_loss)) print(Done)输出 Epoch: 1, Train_acc:55.8%, Train_loss:1.098, Test_acc:58.7%Test_loss:1.073 Epoch: 2, Train_acc:79.8%, Train_loss:0.682, Test_acc:74.2%Test_loss:1.073 Epoch: 3, Train_acc:83.7%, Train_loss:0.536, Test_acc:78.2%Test_loss:0.552 Epoch: 4, Train_acc:85.3%, Train_loss:0.472, Test_acc:80.9%Test_loss:0.466 Epoch: 5, Train_acc:88.4%, Train_loss:0.412, Test_acc:82.7%Test_loss:0.477 Epoch: 6, Train_acc:88.8%, Train_loss:0.367, Test_acc:88.0%Test_loss:0.418 Epoch: 7, Train_acc:90.7%, Train_loss:0.318, Test_acc:88.4%Test_loss:0.411 Epoch: 8, Train_acc:91.4%, Train_loss:0.288, Test_acc:86.2%Test_loss:0.371 Epoch: 9, Train_acc:91.8%, Train_loss:0.289, Test_acc:86.7%Test_loss:0.377 Epoch:10, Train_acc:91.4%, Train_loss:0.282, Test_acc:89.3%Test_loss:0.342 Epoch:11, Train_acc:93.1%, Train_loss:0.248, Test_acc:89.3%Test_loss:0.332 Epoch:12, Train_acc:93.6%, Train_loss:0.230, Test_acc:87.6%Test_loss:0.344 Epoch:13, Train_acc:94.8%, Train_loss:0.216, Test_acc:88.9%Test_loss:0.381 Epoch:14, Train_acc:94.2%, Train_loss:0.206, Test_acc:87.6%Test_loss:0.340 Epoch:15, Train_acc:94.8%, Train_loss:0.199, Test_acc:88.4%Test_loss:0.316 Epoch:16, Train_acc:94.7%, Train_loss:0.205, Test_acc:88.4%Test_loss:0.475 Epoch:17, Train_acc:95.7%, Train_loss:0.222, Test_acc:86.7%Test_loss:0.340 Epoch:18, Train_acc:96.1%, Train_loss:0.200, Test_acc:88.0%Test_loss:0.319 Epoch:19, Train_acc:95.4%, Train_loss:0.182, Test_acc:88.4%Test_loss:0.337 Epoch:20, Train_acc:96.8%, Train_loss:0.192, Test_acc:89.3%Test_loss:0.304 Done2.4 结果可视化 训练模型--结果可视化 epochs_range range(epochs)plt.figure(figsize(12, 3)) plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy) plt.plot(epochs_range, test_acc, labelTest Accuracy) plt.legend(loclower right) plt.title(Training and Validation Accuracy)plt.subplot(1, 2, 2) plt.plot(epochs_range, train_loss, labelTraining Loss) plt.plot(epochs_range, test_loss, labelTest Loss) plt.legend(locupper right) plt.title(Training and Validation Loss) plt.show()3 知识点详解 3.1 torchvision.transforms.Compose()详解 torchvision是pytorch的一个图形库它服务于PyTorch深度学习框架的主要用来构建计算机视觉模型。torchvision.transforms主要是用于常见的一些图形变换。以下是torchvision的构成 1.torchvision.datasets: 一些加载数据的函数及常用的数据集接口 2.torchvision.models: 包含常用的模型结构含预训练模型例如AlexNet、VGG、ResNet等 3.torchvision.transforms: 常用的图片变换例如裁剪、旋转等 4.torchvision.utils: 其他的一些有用的方法。 torchvision.transforms.Compose()类的主要作用是串联多个图片变换的操作。from torchvision.transforms import transformstrain_transforms transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸transforms.RandomRotation(degrees(-10, 10)), # 随机旋转-10到10度之间随机选transforms.RandomHorizontalFlip(p0.5), # 随机水平翻转 选择一个概率概率transforms.RandomVerticalFlip(p0.5), # 随机垂直翻转transforms.RandomPerspective(distortion_scale0.6, p1.0), # 随机视角transforms.GaussianBlur(kernel_size(5, 9), sigma(0.1, 5)), # 随机选择的高斯模糊模糊图像transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406], std [0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。 ])参考链接:torchvision.transforms.Compose()详解【Pytorch入门手册】 3.2 pathlib中glob匹配多个格式文件获取数据列表 可视化数据可用另一种方式显示 数据预处理-可视化数据cloudyPath Path(data_dir)/cloudyimage_files list(p.resolve() for p in cloudyPath.glob(*) if p.suffix in [.jpg, .png, .jpeg])plt.figure(figsize(16, 6))for i in range(len(image_files[:24])):image_file image_files[i]ax plt.subplot(3, 8, i 1)img Image.open(str(image_file))plt.imshow(img)plt.axis(off)# 显示图片plt.tight_layout()plt.show()3.3 plt.tight_layout()作用 tight_layout会自动调整子图参数使之填充整个图像区域。这是个实验特性可能在一些情况下不工作。它仅仅检查坐标轴标签、刻度标签以及标题的部分。 当你拥有多个子图时你会经常看到不同轴域的标签叠在一起。 plt.rcParams[savefig.facecolor] 0.8def example_plot(ax, fontsize12):ax.plot([1, 2])ax.locator_params(nbins3)ax.set_xlabel(x-label, fontsizefontsize)ax.set_ylabel(y-label, fontsizefontsize)ax.set_title(Title, fontsizefontsize)plt.close(all) fig, ((ax1, ax2), (ax3, ax4)) plt.subplots(nrows2, ncols2) example_plot(ax1) example_plot(ax2) example_plot(ax3) example_plot(ax4)产生图片 增加plt.tight_layout()会调整子图之间的间隔来减少堆叠。 参考链接plt.tight_layout() 3.4 x.view()函数 在构建神经网络的时候经常会用到x.view()函数实际上view类似于reshape的用法将张量重新规划格式本文将简单介绍这个函数的用法。 import torcha torch.arange(1,17) print(a.shape) print(a) a a.view(-1,4) print(a.shape) print(a)输出 torch.Size([16]) tensor([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]) torch.Size([4, 4]) tensor([[ 1, 2, 3, 4],[ 5, 6, 7, 8],[ 9, 10, 11, 12],[13, 14, 15, 16]])这里view的第一个参数有时会是-1-1代表不确定行数将由张量的长度除以列数决定也就是说 a.view(-1,4) a.view(4,4) a.view(-1,8) a.view(2,8) 参考链接x.view(-1,4) 3.5 The freeze_support error解决方案 RuntimeError:An attempt has been made to start a new process before thecurrent process has finished its bootstrapping phase.This probably means that you are not using fork to start yourchild processes and you have forgotten to use the proper idiomin the main module:if __name__ __main__:freeze_support()...The freeze_support() line can be omitted if the programis not going to be frozen to produce an executable.这个错误相信很多人都碰到过就是在Linux中可以很好运行的代码在Windows中会给出这样的错误。 究其原因往往出现在multiprocess上。当程序中调用 multiprocess函数却不是在main中时会出现这样的报错。 解决方案 写一个main函数然后在if name ‘main’:中运行这个main函数。把那些引用multiprocessing的函数作都放到main()函数里去执行就OK了。 参考链接Windows freeze_support Error: An attempt has been made to start a new process 3.6 提升测试acc–改变优化器 原文优化器设置为SDG opt torch.optim.Adam(model.parameters(), lrlearn_rate) 变更优化器为Adam后代码如下 opt torch.optim.Adam(model.parameters(), lrlearn_rate) 变更后测试精度提升 Epoch: 2, Train_acc:84.2%, Train_loss:0.435, Test_acc:90.2%Test_loss:0.257 Epoch: 3, Train_acc:89.1%, Train_loss:0.323, Test_acc:84.9%Test_loss:0.481 Epoch: 4, Train_acc:89.3%, Train_loss:0.346, Test_acc:91.6%Test_loss:0.218 Epoch: 5, Train_acc:91.3%, Train_loss:0.272, Test_acc:92.9%Test_loss:0.271 Epoch: 6, Train_acc:96.9%, Train_loss:0.183, Test_acc:94.7%Test_loss:0.184 Epoch: 7, Train_acc:93.8%, Train_loss:0.261, Test_acc:92.0%Test_loss:0.312 Epoch: 8, Train_acc:95.6%, Train_loss:0.141, Test_acc:92.4%Test_loss:0.203 Epoch: 9, Train_acc:97.2%, Train_loss:0.143, Test_acc:94.2%Test_loss:0.170 Epoch:10, Train_acc:93.1%, Train_loss:0.224, Test_acc:93.8%Test_loss:0.265 Epoch:11, Train_acc:95.3%, Train_loss:0.275, Test_acc:93.8%Test_loss:0.211 Epoch:12, Train_acc:95.6%, Train_loss:0.164, Test_acc:94.7%Test_loss:0.196 Epoch:13, Train_acc:98.2%, Train_loss:0.066, Test_acc:93.3%Test_loss:0.432 Epoch:14, Train_acc:99.0%, Train_loss:0.052, Test_acc:95.1%Test_loss:0.191 Epoch:15, Train_acc:98.7%, Train_loss:0.087, Test_acc:93.3%Test_loss:0.248 Epoch:16, Train_acc:96.8%, Train_loss:0.156, Test_acc:93.8%Test_loss:0.290 Epoch:17, Train_acc:97.7%, Train_loss:0.067, Test_acc:93.8%Test_loss:0.268 Epoch:18, Train_acc:99.1%, Train_loss:0.036, Test_acc:94.7%Test_loss:0.388 Epoch:19, Train_acc:99.6%, Train_loss:0.021, Test_acc:95.6%Test_loss:0.176 Epoch:20, Train_acc:99.9%, Train_loss:0.012, Test_acc:95.1%Test_loss:0.181 Done优化器的详解可以参考链接深度学习 Day11——T11优化器对比实验 总结 通过本文的学习遇到The freeze_support error问题网上检索该问题解决方案顺利解决该问题并通过改变优化器的方式提升了原有模型的测试精度。