PyTorch基于卷积神经网络识别RMB项目源代码+模型文件+数据集,采用python中的PyTorch实现图像识别 .zip

# -*- coding: utf-8 -*- from MyDataSet import * from torch.utils.data import DataLoader import torch import cv2 # 导入图像数据处理模块 from torchvision.transforms import transforms from MyLeNet import * import torch.optim as optim # 定义训练的最大轮数 MAX_EPOCH = 10 # 定义学习率 LR = 0.01 # 定义一个批次数量 BATCH_SIZE = 16 # 图片数据的均值、标准差 # Image-net 大赛中使用的图片的均值、标准差 norm_mean = [0.485, 0.456, 0.406] norm_std = [0.229, 0.224, 0.225] # 1、数据部分------------------------------------------------------------------------------------------------------------ # a、准备数据---->图片特征和目标一一对应 --（自己做的时候，需要准备好图片---放置在对应的文件夹中） # b、数据集拆分---> 训练集、验证集、测试集 = 8:1:1 --->训练集--训练数据构建模型；验证集--->验证模型的；测试集---> 测试模型的好坏 # c、数据读取和分批---->构建torch中的数据装载器 # d、图片数据处理----> 固定图片尺寸、转化为张量、图片的归一化(将图像像素转化到一个较小的范围内，避免像素过大) # 确定 训练集路径 train_dir = './dataset/rmb_split/train' # 确定 验证集路径 valid_dir = './dataset/rmb_split/valid' # 确定 图像数据 处理对象 transform = transforms.Compose([ # 固定尺寸大小 transforms.Resize((32, 32)), # 转化为张量 transforms.ToTensor(), # 图像 归一化处理 ----> x = (x - mean) / std transforms.Normalize(mean=norm_mean, std=norm_std) ]) # 确定 训练集的 DataSet对象 train_dataset = RMB_DataSet(dir_name=train_dir, transform=transform) # 确定 验证集的 DataSet对象 valid_dataset = RMB_DataSet(dir_name=valid_dir, transform=transform) # 确定 训练集 数据装载器---DataLoader对象 train_loader = DataLoader( dataset=train_dataset, # 标志着数据的读取方式 batch_size=BATCH_SIZE, # 每批次样本数目 shuffle=True, # 打乱顺序 ) # 确定 验证集 数据装载器---DataLoader对象 valid_loader = DataLoader( dataset=valid_dataset, # 标志着数据的读取方式 batch_size=BATCH_SIZE, # 每批次样本数目 shuffle=True, # 打乱顺序 ) # 2、网络部分------------------------------------------------------------------------------------------------------------ # 根据 LeNet-5 设置自己的卷积神经网络 # 实例化网络对象 net = LeNet_5(classes=2) # 初始化网络对象 net.initialize_weight() # 3、损失部分------------------------------------------------------------------------------------------------------------ # 构建 交叉熵损失对象 losses = nn.CrossEntropyLoss() # 4、优化器部分---------------------------------------------------------------------------------------------------------- # 构建 随机梯度下降优化算法 对象 # 参数params=net.parameters() --->表示优化参数是网络中的参数 # 参数lr --->表示学习率 # 参数momentum=0.9---表示动量 ---->每次优化的时候，优化 1-momentum 的参数，保持 momentum=0.9 的参数不变 sgd = optim.SGD(params=net.parameters(), lr=LR, momentum=0.9) # 5、训练--------------------------------------------------------------------------------------------------------------- # 如果测试模型，训练部分，需要注释掉 # # 经过多轮训练 # 在每一轮中---->从训练集的数据装载器中获取数据--->输入到网络中--->正向传播--->预测值---->与真实值计算出交叉熵---->（清空上一次的梯度值）--->反向传播计算出梯度---> 梯度下降--更新参数 # 训练完一轮--->验证此时网络中的参数---->从验证集的数据装载器中获取 --->输入到网络中---->正向传播---得到预测值--与真实值对比--->此时模型的准确率 # 输出模型---->进行保存 # for epcoch in range(MAX_EPOCH): # # epoch ---> 表示的 第 epoch 次的训练 # # # 定义该轮预测准确的样本个数 # train_correct_num = 0 # # # 定义该轮总的样本个数 # train_total_num = 0 # # # 定义该轮的平均损失 # train_loss_mean = 0 # # # 开始训练 # net.train() # # # 从训练数据集的数据装载器中 获取数据 # for train_data in train_loader: # # train_data ---> 每批次的数据----> img,img_label,img_path --->这是一批次的数据 # train_img, train_img_label, train_img_path = train_data # # print('train_img:\n', train_img) # # print('train_img:\n', train_img.shape) # # # # print('train_img_label:\n', train_img_label) # # print('train_img_label:\n', train_img_label.shape) # # # 正向传播 ---将 特征 输入到 网络 # train_output = net(train_img) # 等价于--- train_output = net.forward(train_img) # # print('train_output:\n', train_output) # # # 计算交叉熵损失 # train_loss = losses(train_output, train_img_label) # # print('该批次的误差损失为：', train_loss.item()) # # # 清空上一批次的 梯度值 # net.zero_grad() # # # 反向传播、计算梯度 # train_loss.backward() # # # 梯度下降 # sgd.step() # # # 查看 该批次的预测类别 # # ret = torch.max(train_output.data,dim=1) # # print('ret:\n',ret) # # torch.return_types.max( # # values=tensor([0.5677, 0.5101, 0.5511, 0.5707, 0.5394, 0.5706, 0.5704, 0.5728, 0.5325, # # 0.5757, 0.5960, 0.5240, 0.5749, 0.5385, 0.5113, 0.6365]), # # indices=tensor([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])) # # _, train_y_predict = torch.max(train_output.data, dim=1) # # print('train_y_predict:\n', train_y_predict) # # # 获取该批次 预测准确的样本个数 # # print('预测准确的样本个数：\n', train_img_label == train_y_predict) # # print('预测准确的样本个数：\n', (train_img_label == train_y_predict).sum()) # # print('预测准确的样本个数：\n', (train_img_label == train_y_predict).sum().numpy()) # # 加上每批次的训练准确的样本数 # train_correct_num += (train_img_label == train_y_predict).sum().numpy() # # # print('该批次总的样本个数为：\n',train_img_label.shape[0]) # # 加上每批次的样本数目 # train_total_num += train_img_label.shape[0] # # # 加损失 # train_loss_mean += train_loss.item() # # print('第 %d 轮训练，训练的准确率为 %f%%, 训练的平均误差为 %f' % ( # epcoch + 1, train_correct_num / train_total_num * 100, train_loss_mean / len(train_loader) # )) # # # 验证 # # 定义该轮预测准确的样本个数 # valid_correct_num = 0 # # # 定义该轮总的样本个数 # valid_total_num = 0 # # # 定义该轮的平均损失 # valid_loss_mean = 0 # # # 开始验证 # net.eval() # # with torch.no_grad(): # # 从验证数据的训练装载器中获取数据 # for valid_data in valid_loader: # # valid_data ---> 每批次的数据----> img,img_label,img_path --->这是一批次的数据 # valid_img, valid_img_label, valid_img_path = valid_data # # print('valid_img:\n', valid_img) # # print('valid_img:\n', valid_img.shape) # # # # print('valid_img_label:\n', valid_img_label) # # print('valid_img_label:\n', valid_img_label.shape) # # # 正向传播 ---将 特征 输入到 网络 # valid_output = net(valid_img) # 等价于--- valid_output = net.forward(valid_img) # # print('valid_output:\n', valid_output) # # # 计算交叉熵损失 # valid_loss = losses(valid_output, valid_img_label) # # print('该批�