Pytorch教學3：運用CIFAR-10資料集讓機器從圖片中學習

作者: /
pexels-photo-6153354-6153354.jpg

在這篇文章中，我們將介紹如何使用 PyTorch 深度學習框架來構建和訓練一個圖像分類模型，使用的是著名的 CIFAR-10 資料集。這個資料集包含10個不同類別的60000張32×32像素的彩色圖像。通過這篇教學，你將學會如何：

  1. 預處理數據
  2. 構建卷積神經網絡 (CNN)
  3. 訓練和評估模型

安裝必需的庫

首先，我們需要安裝 PyTorch 和 torchvision 庫。如果還沒有安裝，請運行以下命令：

pip install torch torchvision

數據預處理

我們需要將 CIFAR-10 資料集加載到 PyTorch 中並進行預處理。這包括將圖像轉換為 PyTorch 張量和進行標準化處理。

import torch
import torchvision
import torchvision.transforms as transforms

# 定義數據增強和標準化過程
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])

# 加載 CIFAR-10 訓練和測試數據集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

定義卷積神經網絡

接下來，我們將構建一個簡單的卷積神經網絡 (CNN)。CNN 是專門用來處理圖像數據的深度學習模型，因其在圖像分類任務中的優異性能而廣泛使用。

import torch.nn as nn
import torch.nn.functional as F

# 定義卷積神經網絡模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, 3, padding=1)
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 8 * 8, 512)
        self.fc2 = nn.Linear(512, 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, 64 * 8 * 8)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = Net().to(device)

訓練模型

我們將使用交叉熵損失函數和 Adam 優化器來訓練模型。訓練過程包括前向傳播、計算損失、反向傳播和更新權重。

import torch.optim as optim

# 設置設備為 CUDA 或 CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 定義損失函數和優化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

# 訓練模型
for epoch in range(10):  # 遍歷數據集若干次
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 獲取輸入數據
        inputs, labels = data
        inputs, labels = inputs.to(device), labels.to(device)

        # 將參數梯度歸零
        optimizer.zero_grad()

        # 前向傳播，反向傳播，優化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 打印統計信息
        running_loss += loss.item()
        if i % 200 == 199:  # 每200個mini-batch打印一次
            print(f'[Epoch {epoch + 1}, Mini-batch {i + 1}] loss: {running_loss / 200:.3f}')
            running_loss = 0.0

print('Finished Training')

測試模型

在訓練完成後，我們需要在測試數據集上評估模型的準確性。這樣可以了解模型在未見過的數據上的性能。

# 在測試數據集上測試模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        images, labels = images.to(device), labels.to(device)
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f'Accuracy of the network on the 10000 test images: {100 * correct / total:.2f}%')

順利的話，你會看到如下的結果

最後，我們可以自行調整模型結構、優化器、學習率或數據增強策略，達到更好的準確度

總結

在這篇教學中，我們學會了如何使用 PyTorch 來構建和訓練一個卷積神經網絡，以對 CIFAR-10 資料集進行圖像分類。我們從數據預處理開始，構建了 CNN 模型，並訓練和評估了模型。這是理解深度學習如何應用於圖像分類任務的基礎。

Back to Blog pytorch連結

Related Posts

返回頂端