深度学习基础案例4--构建CNN卷积神经网络实现对猴痘病的识别(测试集准确率86.5%)

2024-09-01 19:12
文章标签 基础 实现 学习 构建 深度 测试 cnn 卷积 神经网络 案例 识别 准确率 86.5%

本文主要是介绍深度学习基础案例4--构建CNN卷积神经网络实现对猴痘病的识别(测试集准确率86.5%)，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！

  • 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
  • 🍖 原作者：K同学啊

前言

  • 下一周会很忙，更新可能不及时，请大家见谅
  • 这个项目我感觉是一个很好的入门案例，但是自己测试的时候测试集准确率只比较稳定的达到了86.5%附近，说明对神经网络结构的添加还不是很熟，后期还需要多看论文积累😢​😢​😢​😢​😢​😢​😢​😢​😢​
  • 图片看着有点渗人​😨​​😨​​😨​​😨​​😨​​😨​
  • 最后说一句：看论文、复现好难啊！！！😢​😢​😢​😢​😢​

目标

  • 测试集准确率达到88%以上

结果

  • 通过调整卷积核大小、通道大小，有一次准确率达到了88.1%，但是不太稳定，最后，经过反复调整，将测试集准确率稳定在86.5%附近，没有达到预期大小，主要原因是不会设置网络结构。

环境

  • 语言环境：Python3.8.19

  • 编译器：Jupyter、VsCode

  • 深度学习环境：Pytorch

1、前期准备

1、导入库

import numpy as np 
import torch 
import torch.nn as nn 
import torchvision import PIL, os, pathlibdevice = ('cuda' if torch.cuda.is_available() else 'cpu')
device

结果：

'cuda'

2、查看数据文件夹

# 设置根目录
data_dir = './data/'
data_dir = pathlib.Path(data_dir)  # 转化为 pathlib 对象# 查看data下的文件
data_path = data_dir.glob('*')   # 获取data文件下的所有文件夹
classNames = [str(path).split('\\')[1] for path in data_path] 
classNames

结果：

['Monkeypox', 'Others']

3、显示部分图像

import matplotlib.pyplot as plt 
from PIL import Image # 设置目录
image_dir = './data/Monkeypox/'
image_paths = [f for f in os.listdir(image_dir) if f.endswith((".jpg", ".png", ".jpeg"))]# 创建画板
fig, axes = plt.subplots(3, 8, figsize=(16, 6))  # fig：画板，ases子图for ax, img_file in zip(axes.flat, image_paths):img_path = os.path.join(image_dir, img_file)   # 拼接完整路径img = Image.open(img_path)ax.imshow(img)ax.axis('off')plt.show()

​
在这里插入图片描述

​

4、导入数据

from torchvision import transforms, datasets# 加载所有图像
total_data = './data/'# 图像统一化
train_transforms = transforms.Compose([transforms.Resize([224, 224]),   # 统一大小transforms.ToTensor(),           # 统一类型transforms.Normalize(           # 数据标准化mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225] )
])total_data = datasets.ImageFolder(total_data, transform=train_transforms)   
total_data

结果：

Dataset ImageFolderNumber of datapoints: 2142Root location: ./data/StandardTransform
Transform: Compose(Resize(size=[224, 224], interpolation=bilinear, max_size=None, antialias=True)ToTensor()Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]))

5、划分数据集

  • 训练集：0.8，测试集：0.2
  • 划分顺序：随机划分
train_size = int(len(total_data) * 0.8)
test_size = len(total_data) - train_sizetrain_dataset, test_dataset =  torch.utils.data.random_split(total_data, [train_size, test_size])print(train_dataset)
print(train_dataset)

<torch.utils.data.dataset.Subset object at 0x000001B7222E6EE0>
<torch.utils.data.dataset.Subset object at 0x000001B7222E6EE0>

查看训练集和测试集大小：

train_size, test_size

结果：

(1713, 429)

6、动态加载数据

# 每一批次的大小
batch_size = 32train_dl = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size, shuffle=True,    # 每一次训练重新打乱数据num_workers=1)test_dl = torch.utils.data.DataLoader(test_dataset,batch_size=batch_size,shuffle=True,num_workers=1)

# 随机选取一张，查看图片参数
for X, y in test_dl:print("Shape of X [N, C, H, W]: ", X.shape)print("Shape of y: ", y.shape, y.dtype)break

Shape of X [N, C, H, W]:  torch.Size([32, 3, 224, 224])
Shape of y:  torch.Size([32]) torch.int64

2、构建CNN神经网络

import torch.nn.functional as F class NetWork_bn(nn.Module):def __init__(self):super(NetWork_bn, self).__init__()# 构建CNN神经网络self.conv1 = nn.Conv2d(in_channels=3, out_channels=24, kernel_size=3, stride=1, padding=0)self.bn1 = nn.BatchNorm2d(24)     # 对输出通道数据进行** 归一化 **self.conv2 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=3, stride=1, padding=0)self.bn2 = nn.BatchNorm2d(24)self.pool1 = nn.MaxPool2d(2, 2)self.conv3 = nn.Conv2d(in_channels=24, out_channels=48, kernel_size=3, stride=1, padding=0)self.bn3 = nn.BatchNorm2d(48)self.conv4 = nn.Conv2d(in_channels=48, out_channels=48, kernel_size=3, stride=1, padding=0)self.bn4 = nn.BatchNorm2d(48)self.pool2 = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(48 * 53 * 53, len(classNames))def forward(self, x):x = F.relu(self.bn1(self.conv1(x)))x = F.relu(self.bn2(self.conv2(x)))x = self.pool1(x)   # 卷积层降维，不用激活函数x = F.relu(self.bn3(self.conv3(x)))x = F.relu(self.bn4(self.conv4(x)))x = self.pool2(x)x = x.view(-1, 48 * 53 * 53)   # 展开x = self.fc1(x)return x

# 将模型导入cuda中
model = NetWork_bn().to(device)   
model

结果：

NetWork_bn((conv1): Conv2d(3, 24, kernel_size=(3, 3), stride=(1, 1))(bn1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(conv2): Conv2d(24, 24, kernel_size=(3, 3), stride=(1, 1))(bn2): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(pool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(conv3): Conv2d(24, 48, kernel_size=(3, 3), stride=(1, 1))(bn3): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(conv4): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1))(bn4): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(pool2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(fc1): Linear(in_features=134832, out_features=2, bias=True)
)

3、模型训练

1、设置超参数

loss_fn = nn.CrossEntropyLoss()   # 创建损失函数
lr = 1e-4   # 设置学习率
opt = torch.optim.SGD(model.parameters(), lr=lr)   # 梯度下降方法

2、编写训练函数

def train(dataloader, model, loss_fn, optimizer):# 获取数据大小size = len(dataloader.dataset)# 获取批次大小batch_size = len(dataloader)  # 总数 / 32# 准确率和损失率train_acc, train_loss = 0, 0for X, y in dataloader:  # 每一批次的规格请看上面：动态加载数据哪里X, y = X.to(device), y.to(device)# 预测pred = model(X)# 计算损失loss = loss_fn(pred, y)# 梯度清零optimizer.zero_grad()# 求导loss.backward()# 梯度下降法更新optimizer.step()# 记录准确率和误差train_acc += (pred.argmax(1) == y).type(torch.float64).sum().item()  # 数据怎么存在的，要做到心中有数train_loss += loss.item()   # .item 获取数据项# 计算损失函数和梯度，注意：数据做到心中有数train_acc /= size train_loss /= batch_sizereturn train_acc, train_loss

3、编写测试函数

def test(dataloader, model, loss_fn):# 获取数据大小和批次大小size = len(dataloader.dataset)batch_size = len(dataloader)# 准确率和损失率test_acc, test_loss = 0, 0with torch.no_grad():for X, y in dataloader:X, y = X.to(device), y.to(device)# 预测和计算损失pred = model(X)loss = loss_fn(pred, y)test_acc += (pred.argmax(1) == y).type(torch.float64).sum().item()test_loss += loss.item()# 计算损失率和准确率       test_acc /= sizetest_loss /= batch_sizereturn test_acc, test_loss

4、开始训练

train_acc = []
train_loss = []
test_acc = []
test_loss = []epochs = 30for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}')print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))

Epoch: 1, Train_acc:61.0%, Train_loss:0.775, Test_acc:55.0%, Test_loss:0.784
Epoch: 2, Train_acc:68.6%, Train_loss:0.639, Test_acc:61.5%, Test_loss:0.918
Epoch: 3, Train_acc:74.0%, Train_loss:0.540, Test_acc:64.1%, Test_loss:0.703
Epoch: 4, Train_acc:78.9%, Train_loss:0.465, Test_acc:79.7%, Test_loss:0.472
Epoch: 5, Train_acc:82.4%, Train_loss:0.406, Test_acc:76.9%, Test_loss:0.515
Epoch: 6, Train_acc:83.2%, Train_loss:0.387, Test_acc:76.2%, Test_loss:0.495
Epoch: 7, Train_acc:86.3%, Train_loss:0.346, Test_acc:73.9%, Test_loss:0.532
Epoch: 8, Train_acc:87.6%, Train_loss:0.326, Test_acc:74.1%, Test_loss:0.583
Epoch: 9, Train_acc:88.9%, Train_loss:0.308, Test_acc:81.8%, Test_loss:0.421
Epoch:10, Train_acc:90.7%, Train_loss:0.282, Test_acc:81.8%, Test_loss:0.427
Epoch:11, Train_acc:91.9%, Train_loss:0.264, Test_acc:82.5%, Test_loss:0.413
Epoch:12, Train_acc:92.2%, Train_loss:0.260, Test_acc:84.1%, Test_loss:0.385
Epoch:13, Train_acc:91.9%, Train_loss:0.253, Test_acc:76.7%, Test_loss:0.551
Epoch:14, Train_acc:92.8%, Train_loss:0.241, Test_acc:83.4%, Test_loss:0.393
Epoch:15, Train_acc:92.6%, Train_loss:0.232, Test_acc:85.5%, Test_loss:0.372
Epoch:16, Train_acc:92.9%, Train_loss:0.226, Test_acc:83.2%, Test_loss:0.392
Epoch:17, Train_acc:93.6%, Train_loss:0.217, Test_acc:84.4%, Test_loss:0.376
Epoch:18, Train_acc:94.4%, Train_loss:0.207, Test_acc:83.9%, Test_loss:0.374
Epoch:19, Train_acc:94.8%, Train_loss:0.204, Test_acc:85.1%, Test_loss:0.381
Epoch:20, Train_acc:94.7%, Train_loss:0.192, Test_acc:84.4%, Test_loss:0.361
Epoch:21, Train_acc:95.2%, Train_loss:0.189, Test_acc:86.2%, Test_loss:0.358
Epoch:22, Train_acc:95.0%, Train_loss:0.184, Test_acc:85.5%, Test_loss:0.355
Epoch:23, Train_acc:95.2%, Train_loss:0.174, Test_acc:84.8%, Test_loss:0.378
Epoch:24, Train_acc:96.0%, Train_loss:0.169, Test_acc:86.0%, Test_loss:0.349
Epoch:25, Train_acc:96.4%, Train_loss:0.159, Test_acc:86.7%, Test_loss:0.355
Epoch:26, Train_acc:95.9%, Train_loss:0.166, Test_acc:86.9%, Test_loss:0.340
Epoch:27, Train_acc:96.6%, Train_loss:0.153, Test_acc:86.5%, Test_loss:0.334
Epoch:28, Train_acc:96.0%, Train_loss:0.154, Test_acc:86.5%, Test_loss:0.340
Epoch:29, Train_acc:97.3%, Train_loss:0.144, Test_acc:86.0%, Test_loss:0.335
Epoch:30, Train_acc:96.7%, Train_loss:0.150, Test_acc:86.5%, Test_loss:0.343

4、结果可视化

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               # 忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        # 分辨率epoch_range = range(epochs)# 创建画布
plt.figure(figsize=(12 ,3))# 第一个子图
plt.subplot(1, 2, 1)
# 画图
plt.plot(epoch_range, train_acc, label='Training Accurary')
plt.plot(epoch_range, test_acc, label='Test Accurary')
plt.legend(loc='lower right')
plt.title('Accurary')# 第二个子图
plt.subplot(1, 2, 2)
# 画图
plt.plot(epoch_range, train_loss, label='Training Loss')
plt.plot(epoch_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Losss')plt.show()

​
在这里插入图片描述

​

5、预测

from PIL import Image classes = list(total_data.class_to_idx)    # ./data下的文件类型def predict_one_image(image_path, model, transform, classes):test_img = Image.open(image_path).convert('RGB')   # 打开文件# 展示打开的文件plt.imshow(test_img) test_img = transform(test_img)  # 统一化数据标准# 压缩，去除 1img = test_img.to(device).unsqueeze(0)model.eval()   # 开启训练模型output = model(img) _, pred = torch.max(output, 1)   # 返回预测结果pred_class = classes[pred]print(f'预测结果是: {pred_class}')

# 指定图片进行预测
predict_one_image(image_path='./data/Monkeypox/M01_01_00.jpg',model=model,transform=train_transforms,classes=classes)

预测结果是: Monkeypox

在这里插入图片描述

6、模型保存

# 模型保存
path = './model.pth'
torch.save(model.state_dict(), path)# 将参数加载到model中
model.load_state_dict(torch.load(path, map_location=device))

结果：

<All keys matched successfully>

7、总结

CNN神经网络总结

  • 卷积层：对特征进行提取，影响因素主要有：通道大小的变化，卷积核大小、卷积步伐大小，填充值等，通道大小和卷积核大小对特征提取上影响很大，卷积核小，通道变大，计算就会变得复杂，当然对特征的提取也更多
  • 池化层：用于降维，卷积层数据提取完毕后，减少维度，可以更好的挖掘数据关系
  • 全连接：将维度全部进行展开，然后进行降维
  • 需要积累不同卷积模型，才能很好的提升精度

准确率和损失率总结

  • 理想状态下：

    • 准确率：训练集准确率逐步提高，测试集也是，并且训练集准确率和测试集的相近
    • 损失率：训练集损失率降低，测试集也是，并且训练集损失率和测试集的相近

  • 实际(本案例)：

    • 开始测试集的准确率和损失率都不稳定，后面慢慢趋向稳定
    • 准确率：后期相差百分之十
    • 损失率：后期相差0.2附近
    • 总结：如果训练后面，轮数很大，可能出现过拟合的现象

这篇关于深度学习基础案例4--构建CNN卷积神经网络实现对猴痘病的识别(测试集准确率86.5%)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！


http://www.chinasem.cn/article/1127805。

相关文章

如何使用Java实现请求deepseek

如何使用Java实现请求deepseek

《如何使用Java实现请求deepseek》这篇文章主要为大家详细介绍了如何使用Java实现请求deepseek功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1.deepseek的api创建2.Java实现请求deepseek2.1 pom文件2.2 json转化文件2.2
阅读更多...
python使用fastapi实现多语言国际化的操作指南

python使用fastapi实现多语言国际化的操作指南

《python使用fastapi实现多语言国际化的操作指南》本文介绍了使用Python和FastAPI实现多语言国际化的操作指南,包括多语言架构技术栈、翻译管理、前端本地化、语言切换机制以及常见陷阱和... 目录多语言国际化实现指南项目多语言架构技术栈目录结构翻译工作流1. 翻译数据存储2. 翻译生成脚本
阅读更多...
如何通过Python实现一个消息队列

如何通过Python实现一个消息队列

《如何通过Python实现一个消息队列》这篇文章主要为大家详细介绍了如何通过Python实现一个简单的消息队列,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录如何通过 python 实现消息队列如何把 http 请求放在队列中执行1. 使用 queue.Queue 和 reque
阅读更多...
Python如何实现PDF隐私信息检测

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今，数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形
阅读更多...
使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

《使用sql-research-assistant进行SQL数据库研究的实战指南(代码实现演示)》本文介绍了sql-research-assistant工具,该工具基于LangChain框架,集... 目录技术背景介绍核心原理解析代码实现演示安装和配置项目集成LangSmith 配置（可选）启动服务应用场景
阅读更多...
使用Python快速实现链接转word文档

使用Python快速实现链接转word文档

《使用Python快速实现链接转word文档》这篇文章主要为大家详细介绍了如何使用Python快速实现链接转word文档功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 演示代码展示from newspaper import Articlefrom docx import
阅读更多...
前端原生js实现拖拽排课效果实例

前端原生js实现拖拽排课效果实例

《前端原生js实现拖拽排课效果实例》：本文主要介绍如何实现一个简单的课程表拖拽功能,通过HTML、CSS和JavaScript的配合,我们实现了课程项的拖拽、放置和显示功能,文中通过实例代码介绍的... 目录1. 效果展示2. 效果分析2.1 关键点2.2 实现方法3. 代码实现3.1 html部分3.2
阅读更多...
如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解

《如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别详解》：本文主要介绍如何通过海康威视设备网络SDK进行Java二次开发摄像头车牌识别的相关资料,描述了如何使用海康威视设备网络SD... 目录前言开发流程问题和解决方案dll库加载不到的问题老旧版本sdk不兼容的问题关键实现流程总结前言作为
阅读更多...
0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型，3步搞定一个应
阅读更多...
Java深度学习库DJL实现Python的NumPy方式

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2