专业彩票网站开发,做地产网站哪家好,什么网站的地图,学校网站建设先进事迹1、基本原理介绍 这里介绍的单指模型迁移。一般我们训练模型时#xff0c;往往会自定义一个模型类#xff0c;这个类中定义了神经网络的结构#xff0c;训练时将数据集输入#xff0c;从0开始训练#xff1b;而迁移学习中#xff08;单指模型迁移策略#xff09;#x…1、基本原理介绍 这里介绍的单指模型迁移。一般我们训练模型时往往会自定义一个模型类这个类中定义了神经网络的结构训练时将数据集输入从0开始训练而迁移学习中单指模型迁移策略是在一个已经有过训练基础的模型上用自己的数据集进一步训练使得这个模型能够完成我们需要的任务。 这么做有有这样几个显而易见的好处 ※  因为模型之前被训练过所以初始参数不会是0这样能够加速模型训练 ※  因为预训练模型什么是预训练模型下文会讲到在其他数据集上训练过而其他数据集往往和我们用的数据集存在一定的区别所以这可以提高模型的泛化能力 ※  通过迁移学习可以将来自大规模数据的优势转移到小规模或新任务上提高模型的表现和效果 2、预训练模型 在进行迁移学习时我们要先找到一个预训练模型。在分类任务领域比较流行的如resnet系列、mobilenet系列更轻量化、vgg系列、efficientnet系列等等网络都是比较常用且容易获得的预训练模型这些模型都能够通过python直接下载。 而且由于上述模型基本都是在ImageNet这一大规模多分类类别的数据集上进行过训练的所以对于简单的二分类等少数类别分类能有较好的效果。 3、训练流程 迁移学习完整的训练流程和一般搭建神经网络的训练模型的流程基本类似数据预处理-数据集的切分-加载预训练模型搭建神经网络-设置超参数/损失函数/优化器等-训练模型 3.1 模型训练 下面的代码是一个利用mobilenet网络训练得到的手势分类模型该模型能够较准确的分类不同类别手势。 相关解释已在代码中注释说明。 from torchvision.models import mobilenet_v2 import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder from torchvision.transforms import Compose, Resize, CenterCrop, ToTensor, Normalize, RandomHorizontalFlip, RandomRotation# 定义数据预处理和增强器 transform Compose([RandomHorizontalFlip(), # 随机水平翻转RandomRotation(10), # 随机旋转10度Resize((224, 224)),CenterCrop(224),ToTensor(),Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ])# 加载数据集并应用预处理和增强器 dataset ImageFolder(rootdata, transformtransform) # 这里由于数据比较少将所有数据集全部用来训练得到的模型直接拿来用了这其实不算是非常规范的操作仅供参考# 定义网络结构 model mobilenet_v2(pretrainedTrue) # 加载预训练模型也可以试试其他模型效果差别挺大的 num_ftrs model.classifier[1].in_features model.classifier[1] nn.Linear(num_ftrs, 5) # 假设是5分类问题具体几分类改这里的参数就行了# 将模型移动到设备上 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device)# 定义优化器和损失函数 optimizer optim.SGD(model.parameters(), lr0.001, momentum0.9, weight_decay1e-5) criterion nn.CrossEntropyLoss()# 定义训练循环 def train_model(model, criterion, optimizer, num_epochs, train_loader):for epoch in range(num_epochs):model.train() # 设置模型为训练模式train_loss 0.0correct 0total 0for inputs, labels in train_loader:inputs, labels inputs.to(device), labels.to(device)optimizer.zero_grad()outputs model(inputs)loss criterion(outputs, labels)loss.backward()optimizer.step()train_loss loss.item() * inputs.size(0)_, predicted torch.max(outputs.data, 1)total labels.size(0)correct (predicted labels).sum().item()epoch_loss train_loss / totalepoch_acc 100. * correct / totalprint(fEpoch {epoch1}/{num_epochs}, Loss: {epoch_loss:.4f}, Accuracy: {epoch_acc:.2f}%)# 创建训练集的DataLoader train_loader DataLoader(dataset, batch_size32, shuffleTrue)# 开始训练模型 train_model(model, criterion, optimizer, num_epochs15, train_loadertrain_loader) torch.save(model, my_model(1).pth)3.2 数据集文件结构 当然你也可以自己定义读取数据集的data_loader类。 3.3 模型推理 这段代码是用训练得到的模型对一张图片进行推理测试的如果需要对系列图片进行推理评估模型效果可自行修改调用对应函数即可。 import torch from PIL import Image from torchvision.transforms import Compose, Resize, CenterCrop, ToTensor, Normalize def predict_image(image_path, model_pathmy_model(1).pth):image Image.open(image_path).convert(RGB)# 对测试的图片进行预处理需要和训练时处理的方式一样transform Compose([Resize((224, 224)),CenterCrop(224),ToTensor(),Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225])])image_tensor transform(image).unsqueeze(0)device torch.device(cuda:0 if torch.cuda.is_available() else cpu)image_tensor image_tensor.to(device)model torch.load(model_path,map_locationdevice)model.eval()with torch.no_grad():output model(image_tensor)_, predicted torch.max(output.data, 1) # 获得分类标记return predicted.item() if __name____main__:image_path test2/6.jpgprint(predict_image(image_path)) 3.4 整体项目文件 4、补充说明 这种利用迁移学习策略进行少类别不同类别特征差距小的任务需求来说效果一般来说是比较好的。因为之前做过相关实验准确率90%以上是很容易的所以这里没有模型评估生成混淆矩阵等过程。对于多类别分类建议有完整的评估体系。 上述使用的方法仅适用于分类任务对于真正的目标检测如手势识别直接使用该模型的问题是由于无法定位手势的位置所以导致识别不准确。 本实验数据集是不同类别手势图片为自制不开源。