pytorch神经网络训练（AlexNet）

本文主要是介绍pytorch神经网络训练（AlexNet），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

导包

import osimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.utils.data import Dataset, DataLoaderfrom PIL import Imagefrom torchvision import models, transforms

定义自定义图像数据集

class CustomImageDataset(Dataset):

定义一个自定义的图像数据集类，继承自Dataset

def __init__(self, main_dir, transform=None):

初始化方法，接收主目录和转换方法

        self.main_dir = main_dir

主目录，包含多个子目录，每个子目录包含同一类别的图像

        self.transform = transform

图像转换方法，用于对图像进行预处理

        self.files = []

存储所有图像文件的路径

        self.labels = []

存储所有图像的标签

        self.label_to_index = {}

创建一个字典，用于将标签映射到索引

        for index, label in enumerate(os.listdir(main_dir)):

          self.label_to_index[label] = index label_dir = os.path.join(main_dir, label)

将标签映射到索引，构建标签子目录的路径

           if os.path.isdir(label_dir): for file in os.listdir(label_dir): self.files.append(os.path.join(label_dir, file))self.labels.append(label)

如果是目录，遍历目录中的所有文件，将文件路径添加到列表，将标签添加到列表

def __len__(self):

定义数据集的长度

        return len(self.files)

返回文件列表的长度

def __getitem__(self, idx):

定义获取数据集中单个样本的方法

        image = Image.open(self.files[idx]) label = self.labels[idx] if self.transform: image = self.transform(image) return image, self.label_to_index[label]

打开图像文件，获取图像的标签，如果有转换方法，对图像进行转换，返回图像和对应的标签索引

定义数据转换

transform = transforms.Compose([transforms.Resize((227, 227)),  # AlexNet的输入图像大小transforms.RandomHorizontalFlip(),  # 随机水平翻转transforms.RandomRotation(10),  # 随机旋转transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),  # AlexNet的标准化])

创建数据集

dataset = CustomImageDataset(main_dir="D:\\图像处理、深度学习\\flowers", transform=transform)

创建数据加载器

data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

加载预训练的AlexNet模型

alexnet_model = models.alexnet(pretrained=True)

修改最后几层以适应新的分类任务

num_ftrs = alexnet_model.classifier[6].in_featuresalexnet_model.classifier[6] = nn.Linear(num_ftrs, len(dataset.label_to_index))

定义损失函数和优化器

criterion = nn.CrossEntropyLoss()optimizer = optim.Adam(alexnet_model.parameters(), lr=0.0001)

如果有多个GPU，可以使用nn.DataParallel来并行化模型

if torch.cuda.device_count() > 1:alexnet_model = nn.DataParallel(alexnet_model)

将模型发送到GPU（如果可用）

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")alexnet_model.to(device)

模型评估

def evaluate_model(model, data_loader, device):model.eval()  # 将模型设置为评估模式correct = 0total = 0with torch.no_grad():  # 在这个块中，所有计算都不会计算梯度for images, labels in data_loader:images, labels = images.to(device), labels.to(device)outputs = model(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()accuracy = 100 * correct / totalreturn accuracy

训练模型

num_epochs = 10for epoch in range(num_epochs):alexnet_model.train()running_loss = 0.0for images, labels in data_loader:images, labels = images.to(device), labels.to(device)

前向传播

        outputs = alexnet_model(images)loss = criterion(outputs, labels)

反向传播和优化

        optimizer.zero_grad()loss.backward()optimizer.step()running_loss += loss.item()

在每个epoch结束后评估模型

    train_accuracy = evaluate_model(alexnet_model, data_loader, device)print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {running_loss / len(data_loader):.4f}, Train Accuracy: {train_accuracy:.2f}%')