PyTorch下的5种不同神经网络-一.AlexNet

本文主要是介绍PyTorch下的5种不同神经网络-一.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！

1.导入模块

导入所需的Python库，包括图像处理、深度学习模型和数据加载

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

2.定义自定义图像数据集

创建一个自定义的图像数据集类，用于加载和处理图像数据。

class CustomImageDataset(Dataset):def __init__(self, main_dir, transform=None):self.main_dir = main_dirself.transform = transformself.files = []self.labels = []self.label_to_index = {}for index, label in enumerate(os.listdir(main_dir)):self.label_to_index[label] = indexlabel_dir = os.path.join(main_dir, label)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)def __len__(self):return len(self.files)def __getitem__(self, idx):image = Image.open(self.files[idx])label = self.labels[idx]if self.transform:image = self.transform(image)return image, self.label_to_index[label]

3.定义数据转换

定义一个数据转换过程，包括图像大小调整、随机翻转、旋转、转换为张量以及标准化

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])

4.创建数据集

使用自定义数据集类和定义的数据转换来创建数据集

dataset = CustomImageDataset(main_dir="F:\\A-GX\\A-SJJ\\flower_photos\\flower_photos", transform=transform)

5.创建数据加载器

使用数据集创建一个数据加载器，用于批量加载和处理数据

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

6.加载预训练的AlexNet模型

从PyTorch库中加载预训练的AlexNet模型

alexnet_model = models.alexnet(pretrained=True)

7.修改最后几层以适应新的分类任务

修改AlexNet模型的最后几层，以便它能够处理新的分类任务

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

8.定义损失函数和优化器

定义用于训练模型的损失函数和优化器。

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

9.模型并行化

如果有多GPU，则使用nn.DataParallel来并行化模型

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

10.将模型发送到GPU

将模型发送到GPU进行训练。

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

11.训练模型

数据加载器和定义的参数训练模型

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}%')

12.评估模型

定义一个评估函数，用于评估模型的性能

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

这篇关于PyTorch下的5种不同神经网络-一.AlexNet的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---