PyTorch实战之Cifar10分类
1.数据准备
我们在前面已经介绍过Cifar10数据集，它是一个常用的彩色图片数据集，它是由10个类别组成的，分别是airplane、automobile、bird、cat、deer、dog、frog、horse、ship和truck，其中，每一张照片都是3*32*32，即3通道彩色图片，分辨率为32*32。
如下代码之前讲解过，这里再次给出： import torch
from torch.utils.data import DataLoader
import torchvision.datasets as dsets
import torchvision.transforms as transforms
batch_size = 100
# MNIST dataset
train_dataset = dsets.CIFAR10(root = '/ml/pycifar', #选择数据的根目录
train = True, #选择训练集
transform = transforms.ToTensor(), #转换成Tensor变量download = True) #从网络上下载图片
test_dataset = dsets.CIFAR10(root = '/ml/pycifar', #选择数据的根目录
train = False, #选择测试集
transform = transforms.ToTensor(), #转换成Tensor变量
download = True) #从网络上下载图片
#加载数据
train_loader = torch.utils.data.DataLoader(dataset = train_dataset,
batch_size = batch_size,
shuffle = True) #将数据打乱
test_loader = torch.utils.data.DataLoader(dataset = test_dataset,
batch_size = batch_size,
shuffle = True)
2.定义神经网络 神经网络的定义代码具体如下：
from torch.autograd import Variable
import torch.nn as nn
import torch
input_size = 3072
hidden_size = 500
hidden_size2 = 200
num_classes = 10
num_epochs = 5
batch_size = 100
learning_rate = 0.001
#定义两层神经网络
class Net(nn.Module):
def __init__(self,input_size,hidden_size,hidden_size2,num_classes):
super(Net,self).__init__()
self.layer1 = nn.Linear(input_size,hidden_size)
self.layer2 = nn.Linear(hidden_size,hidden_size2)
self.layer3 = nn.Linear(hidden_size2,num_classes)
def forward(self,x):
out = torch.relu(self.layer1(x))
out = torch.relu(self.layer2(out))
out = self.layer3(out)
return out
net = Net(input_size,hidden_size,hidden_size2,num_classes)
print(net)
3.训练 用于训练的代码具体如下：
# optimization
from torch.autograd import Variable
import numpy as np
learning_rate = 1e-3
num_epoches = 5
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr = learning_rate)
for epoch in range(num_epoches):
print('current epoch = %d' % epoch)
for i, (images, labels) in enumerate(train_loader): #利用enumerate取出一个可迭代对象的内容
images = Variable(images.view(images.size(0), -1))
labels = Variable(labels)
optimizer.zero_grad()
outputs = net(images)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
if i % 100 == 0:
print('current loss = %.5f' % loss.item())
print('Finished training')
4.测试集准确度测试 测试集准确度的测试代码具体如下：
#做prediction
total = 0
correct = 0
for images, labels in test_loader:
images = Variable(images.view(images.size(0), -1))
outputs = net(images)
_, predicts = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicts == labels).sum()
print('Accuracy = %.2f' % (100 * correct / total))
由输出结果可知，准确度比较低，只有49%。
我们可以看出，浅层神经网络可以解决一部分简单的问题（在只有单通道的MNIST数据集上表现良好），但对于稍微复杂一些的彩色Cifar10数据集则表现很差。
在接下来，我们将进一步使用深度卷积神经网络实现Cifar10数据集的分类。
网友评论