一、選題的背景
為了實作對水果和蔬菜的分類識別，收集了香蕉、蘋果、梨、葡萄、橙子、獼猴桃、西瓜、石榴、菠蘿、芒果、黃瓜、胡蘿卜、辣椒、洋蔥、馬鈴薯、檸檬、番茄、蘿卜、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、蘿卜、玉米、甜玉米、紅薯、辣椒粉、生姜、大蒜、豌豆、茄子共36種果蔬的影像，該專案使用resnet18網路進行分類，
二、機器學習案例設計方案
1.本選題采用的機器學習案例（訓練集與測驗集）的來源描述
資料集來自百度AI studio平臺（https://aistudio.baidu.com/aistudio/datasetdetail/119023/0），共包含36種果蔬，每一個類別包括100張訓練影像，10張測驗影像和10張驗證影像，
2 采用的機器學習框架描述
本次使用的網路框架，主要用到了二維卷積、激活函式、最大池化、Dropout和全連接，下面將對搭建的網路模型進行解釋，
首先是一個二維卷積層，輸入通道數為3，輸出通道數為100，卷積核大小是3*3，填充大小是1*1，輸入通道數為3是因為這個是第一層卷積，輸入的是RGB影像，具有三個通道，輸出通道數量可以根據實際情況自定，填充是因為希望在卷積后，不要改變影像的尺寸，
在卷積層之后是一個RELU激活函式，如果不用激活函式，在這種情況下每一層輸出都是上層輸入的線性函式，容易驗證，無論神經網路有多少層，輸出都是輸入的線性組合，與沒有隱藏層效果相當，因此引入非線性函式作為激活函式，這樣深層神經網路就有意義了（不再是輸入的線性組合，可以逼近任意函式），最早的想法是sigmoid函式或者tanh函式，輸出有界，很容易充當下一層輸入，
引入RELU激活函式有以下三個原因：
第一，采用sigmoid等函式，算激活函式時（指數運算），計算量大，反向傳播求誤差梯度時，求導涉及除法，計算量相對大，而采用Relu激活函式，整個程序的計算量節省很多，
第二，對于深層網路，sigmoid函式反向傳播時，很容易就會出現 梯度消失 的情況（在sigmoid接近飽和區時，變換太緩慢，導數趨于0，這種情況會造成資訊丟失），從而無法完成深層網路的訓練，
第三，ReLu會使一部分神經元的輸出為0，這樣就造成了 網路的稀疏性，并且減少了引數的相互依存關系，緩解了過擬合問題的發生，
然后再跟一個二維卷積層，輸入通道數應該和上一層卷積的輸出通道數相同，所以設為100， 輸出通道數同樣根據實際情況設定，此處設為150，其他引數與第一層卷積相同，
后續每一個卷積層和全連接層后面都會跟一個RELU激活函式，所以后面不再敘述RELU激活函式層，
再之后添加一個2*2的最大池化層，該層用來縮減模型的大小，提高計算速度，同時提高所提取特征的魯棒性，
再經過三次卷積后，使用Flatten將二維Tensor拉平，變為一維Tensor，然后使用全連接層，通過多個全連接層后，使用dropout層隨機洗掉一些結點，該方法可以有效的避免網路過擬合，在最后一個全連接層的輸出對應需要分類的個數，
3.涉及到的技術難點與解決思路
下載的資料集沒有劃分訓練集、測驗集和驗證集，需要自己寫代碼完成劃分，在剛開始寫代碼的時候對于檔案路徑沒有搞清楚，沒有弄懂os.path.join方法如何使用，導致總是讀取不到影像，并且代碼還沒有報錯誤正常運行結束，但是查看劃分后的檔案夾里沒有資料，通過debug發現檔案的路徑出現問題，具體是windows下的/和\混用，導致不能正確的對路徑進行處理，在排除問題后統一使用\\，最終問題得到解決，
三、機器學習的實作步驟
（1）劃分資料集并進行縮放
1 import os 2 import glob 3 import random 4 import shutil 5 from PIL import Image 6 #對所有圖片進行RGB轉化，并且統一調整到一致大小，但不讓圖片發生變形或扭曲，劃分了訓練集和測驗集 7 8 if __name__ == '__main__': 9 test_split_ratio = 0.05 #百分之五的比例作為測驗集 10 desired_size = 128 # 圖片縮放后的統一大小 11 raw_path = './raw' 12 13 #把多少個類別算出來，包括目錄也包括檔案 14 dirs = glob.glob(os.path.join(raw_path, '*')) 15 #進行過濾，只保留目錄，一共36個類別 16 dirs = [d for d in dirs if os.path.isdir(d)] 17 18 print(f'Totally {len(dirs)} classes: {dirs}') 19 20 for path in dirs: 21 # 對每個類別單獨處理 22 23 #只保留類別名稱 24 path = path.split('/')[-1] 25 print(path) 26 #創建檔案夾 27 os.makedirs(f'train/{path}', exist_ok=True) 28 os.makedirs(f'test/{path}', exist_ok=True) 29 30 #原始檔案夾當前類別的圖片進行匹配 31 files = glob.glob(os.path.join( path, '*.jpg')) 32 # print(raw_path, path) 33 34 files += glob.glob(os.path.join( path, '*.JPG')) 35 files += glob.glob(os.path.join( path, '*.png')) 36 37 random.shuffle(files)#原地shuffle，因為要取出來驗證集 38 39 boundary = int(len(files)*test_split_ratio) # 訓練集和測驗集的邊界 40 41 for i, file in enumerate(files): 42 img = Image.open(file).convert('RGB') 43 44 old_size = img.size 45 46 ratio = float(desired_size)/max(old_size) 47 48 new_size = tuple([int(x*ratio) for x in old_size])#等比例縮放 49 50 im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不會造成模糊 51 52 new_im = Image.new("RGB", (desired_size, desired_size)) 53 54 #new_im在某個尺寸上更大，我們將舊圖片貼到上面 55 new_im.paste(im, ((desired_size-new_size[0])//2, 56 (desired_size-new_size[1])//2)) 57 58 assert new_im.mode == 'RGB' 59 60 if i <= boundary: 61 new_im.save(os.path.join(f'test/{path}', file.split('\\')[-1].split('.')[0]+'.jpg')) 62 else: 63 new_im.save(os.path.join(f'train/{path}', file.split('\\')[-1].split('.')[0]+'.jpg')) 64 65 test_files = glob.glob(os.path.join('test', '*', '*.jpg')) 66 train_files = glob.glob(os.path.join('train', '*', '*.jpg')) 67 68 print(f'Totally {len(train_files)} files for training') 69 print(f'Totally {len(test_files)} files for test')
（2）影像預處理
包括隨即旋轉、隨機翻轉、裁剪等，并進行歸一化，
1 #影像預處理 2 train_dir = './train' 3 val_dir = './test' 4 test_dir = './test' 5 classes0 = os.listdir(train_dir) 6 classes=sorted(classes0) 7 print(classes) 8 train_transform=transforms.Compose([ 9 transforms.RandomRotation(10), # 旋轉+/-10度 10 transforms.RandomHorizontalFlip(), # 反轉50%的影像 11 transforms.Resize(40), # 調整最短邊的大小 12 transforms.CenterCrop(40), # 作物最長邊 13 transforms.ToTensor(), 14 transforms.Normalize([0.485, 0.456, 0.406], 15 [0.229, 0.224, 0.225]) 16 ])
1 #顯示影像 2 def show_image(img,label): 3 print('Label: ', trainset.classes[label], "("+str(label)+")") 4 plt.imshow(img.permute(1,2,0)) 5 plt.show() 6 7 show_image(*trainset[10]) 8 show_image(*trainset[20])
（3）讀取資料
1 batch_size = 64 2 train_loader = DataLoader(train_ds, batch_size, shuffle=True, num_workers=4, pin_memory=True) 3 val_loader = DataLoader(val_ds, batch_size*2, num_workers=4, pin_memory=True) 4 test_loader = DataLoader(test_ds, batch_size*2, num_workers=4, pin_memory=True)
（4）構建CNN模型
#構建CNN模型
1 #構建CNN模型 2 class CnnModel(ImageClassificationBase): 3 def __init__(self): 4 super().__init__() 5 #cnn提取特征 6 self.network = nn.Sequential( 7 nn.Conv2d(3, 100, kernel_size=3, padding=1),#Conv2D層 8 nn.ReLU(), 9 nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1), 10 nn.ReLU(), 11 nn.MaxPool2d(2, 2), #池化層 12 13 nn.Conv2d(150, 200, kernel_size=3, stride=1, padding=1), 14 nn.ReLU(), 15 nn.Conv2d(200, 200, kernel_size=3, stride=1, padding=1), 16 nn.ReLU(), 17 nn.MaxPool2d(2, 2), 18 19 nn.Conv2d(200, 250, kernel_size=3, stride=1, padding=1), 20 nn.ReLU(), 21 nn.Conv2d(250, 250, kernel_size=3, stride=1, padding=1), 22 nn.ReLU(), 23 nn.MaxPool2d(2, 2), 24 25 #全連接 26 nn.Flatten(), 27 nn.Linear(6250, 256), 28 nn.ReLU(), 29 nn.Linear(256, 128), 30 nn.ReLU(), 31 nn.Linear(128, 64), 32 nn.ReLU(), 33 nn.Linear(64, 32), 34 nn.ReLU(), 35 nn.Dropout(0.25), 36 nn.Linear(32, len(classes))) 37 38 def forward(self, xb): 39 return self.network(xb)
（5）訓練網路
#訓練網路
1 #訓練網路 2 @torch.no_grad() 3 def evaluate(model, val_loader): 4 model.eval() 5 outputs = [model.validation_step(batch) for batch in val_loader] 6 return model.validation_epoch_end(outputs) 7 8 def fit(epochs, lr, model, train_loader, val_loader, opt_func=torch.optim.SGD): 9 history = [] 10 optimizer = opt_func(model.parameters(), lr) 11 for epoch in range(epochs): 12 # 訓練階段 13 model.train() 14 train_losses = [] 15 for batch in tqdm(train_loader,disable=True): 16 loss = model.training_step(batch) 17 train_losses.append(loss) 18 loss.backward() 19 optimizer.step() 20 optimizer.zero_grad() 21 # 驗證階段 22 result = evaluate(model, val_loader) 23 result['train_loss'] = torch.stack(train_losses).mean().item() 24 model.epoch_end(epoch, result) 25 history.append(result) 26 return history 27 28 model = to_device(CnnModel(), device) 29 30 history=[evaluate(model, val_loader)] 31 32 num_epochs = 100 33 opt_func = torch.optim.Adam 34 lr = 0.001 35 36 history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func)
（6）繪制損失函式和準確率圖
1 def plot_accuracies(history): 2 accuracies = [x['val_acc'] for x in history] 3 plt.plot(accuracies, '-x') 4 plt.xlabel('epoch') 5 plt.ylabel('accuracy') 6 plt.title('Accuracy vs. No. of epochs') 7 plt.show() 8 9 def plot_losses(history): 10 train_losses = [x.get('train_loss') for x in history] 11 val_losses = [x['val_loss'] for x in history] 12 plt.plot(train_losses, '-bx') 13 plt.plot(val_losses, '-rx') 14 plt.xlabel('epoch') 15 plt.ylabel('loss') 16 plt.legend(['Training', 'Validation']) 17 plt.title('Loss vs. No. of epochs') 18 plt.show() 19 20 plot_accuracies(history) 21 plot_losses(history) 22 23 evaluate(model, test_loader)
（7）預測
1 #預測分類 2 y_true=[] 3 y_pred=[] 4 with torch.no_grad(): 5 for test_data in test_loader: 6 test_images, test_labels = test_data[0].to(device), test_data[1].to(device) 7 pred = model(test_images).argmax(dim=1) 8 for i in range(len(pred)): 9 y_true.append(test_labels[i].item()) 10 y_pred.append(pred[i].item()) 11 12 from sklearn.metrics import classification_report 13 print(classification_report(y_true,y_pred,target_names=classes,digits=4))
（8）讀取圖片測驗
1 import numpy as np 2 from PIL import Image 3 import matplotlib.pyplot as plt 4 import torchvision.transforms as transforms 5 6 def predict(img_path): 7 img = Image.open(img_path) 8 plt.imshow(img) 9 plt.show() 10 img = img.resize((32,32)) 11 img = transforms.ToTensor()(img) 12 img = img.unsqueeze(0) 13 img = img.to(device) 14 pred = model(img).argmax(dim=1) 15 print('預測結果為：',classes[pred.item()]) 16 return classes[pred.item()] 17 18 predict('./raw/apple/Image_1.jpg')
四、總結
在本次課程設計中，使用深度學習的方法實作了果蔬的36分類，相對來說分類數量是比較多的，在訓練了100個epoch以后，分類的準確率可以達到74.3%，通過對果蔬的分類，我明白了當訓練集的影像數量較少時，可以采用資料增強對原始影像進行處理，獲得更多的資料來增強網路的泛化能力，避免網路過擬合，資料增強的方法一般有隨機翻轉、隨即旋轉、隨即裁剪、明暗變化、高斯噪聲、椒鹽噪聲等，除此之外，對整個深度學習中影像分類的流程也有了一定的了解，從收集資料、對資料進行預處理、自己構建網路模型、訓練網路到最后的預測結果，加深了對影像分類程序的理解，希望在以后的學習中，可以學習更多深度學習的方法和應用，
五、全部代碼
1 import os 2 import glob 3 import random 4 import shutil 5 from PIL import Image 6 #對所有圖片進行RGB轉化，并且統一調整到一致大小，但不讓圖片發生變形或扭曲，劃分了訓練集和測驗集 7 8 if __name__ == '__main__': 9 test_split_ratio = 0.05 #百分之五的比例作為測驗集 10 desired_size = 128 # 圖片縮放后的統一大小 11 raw_path = './raw' 12 13 #把多少個類別算出來，包括目錄也包括檔案 14 dirs = glob.glob(os.path.join(raw_path, '*')) 15 #進行過濾，只保留目錄，一共36個類別 16 dirs = [d for d in dirs if os.path.isdir(d)] 17 18 print(f'Totally {len(dirs)} classes: {dirs}') 19 20 for path in dirs: 21 # 對每個類別單獨處理 22 23 #只保留類別名稱 24 path = path.split('/')[-1] 25 print(path) 26 #創建檔案夾 27 os.makedirs(f'train/{path}', exist_ok=True) 28 os.makedirs(f'test/{path}', exist_ok=True) 29 30 #原始檔案夾當前類別的圖片進行匹配 31 files = glob.glob(os.path.join(raw_path, path, '*.jpg')) 32 # print(raw_path, path) 33 34 files += glob.glob(os.path.join(raw_path, path, '*.JPG')) 35 files += glob.glob(os.path.join(raw_path, path, '*.png')) 36 37 random.shuffle(files)#原地shuffle，因為要取出來驗證集 38 39 boundary = int(len(files)*test_split_ratio) # 訓練集和測驗集的邊界 40 41 for i, file in enumerate(files): 42 img = Image.open(file).convert('RGB') 43 44 old_size = img.size 45 46 ratio = float(desired_size)/max(old_size) 47 48 new_size = tuple([int(x*ratio) for x in old_size])#等比例縮放 49 50 im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不會造成模糊 51 52 new_im = Image.new("RGB", (desired_size, desired_size)) 53 54 #new_im在某個尺寸上更大，我們將舊圖片貼到上面 55 new_im.paste(im, ((desired_size-new_size[0])//2, 56 (desired_size-new_size[1])//2)) 57 58 assert new_im.mode == 'RGB' 59 60 if i <= boundary: 61 new_im.save(os.path.join(f'test/{path}', file.split('/')[-1].split('.')[0]+'.jpg')) 62 else: 63 new_im.save(os.path.join(f'train/{path}', file.split('/')[-1].split('.')[0]+'.jpg')) 64 65 test_files = glob.glob(os.path.join('test', '*', '*.jpg')) 66 train_files = glob.glob(os.path.join('train', '*', '*.jpg')) 67 68 69 print(f'Totally {len(train_files)} files for training') 70 print(f'Totally {len(test_files)} files for test') 71 72 73 import os 74 import random 75 import numpy as np 76 import pandas as pd 77 import torch 78 import torch.nn as nn 79 import torch.nn.functional as F 80 from tqdm.notebook import tqdm 81 from torchvision import datasets, transforms, models 82 from torchvision.datasets import ImageFolder 83 from torchvision.transforms import ToTensor 84 from torchvision.utils import make_grid 85 from torch.utils.data import random_split 86 from torch.utils.data.dataloader import DataLoader 87 import matplotlib.pyplot as plt 88 89 if __name__ == '__main__': 90 # 使用第2個GPU 91 os.environ["CUDA_VISIBLE_DEVICES"] = "1" 92 93 #影像預處理 94 train_dir = './train' 95 val_dir = './test' 96 test_dir = './test' 97 classes0 = os.listdir(train_dir) 98 classes=sorted(classes0) 99 # print(classes) 100 train_transform=transforms.Compose([ 101 transforms.RandomRotation(10), # 旋轉+/-10度 102 transforms.RandomHorizontalFlip(), # 反轉50%的影像 103 transforms.Resize(40), # 調整最短邊的大小 104 transforms.CenterCrop(40), # 作物最長邊 105 transforms.ToTensor(), 106 transforms.Normalize([0.485, 0.456, 0.406], 107 [0.229, 0.224, 0.225]) 108 ]) 109 110 trainset = ImageFolder(train_dir, transform=train_transform) 111 valset = ImageFolder(val_dir, transform=train_transform) 112 testset = ImageFolder(test_dir, transform=train_transform) 113 # print(len(trainset)) 114 115 #查看資料集的一個影像形狀 116 img, label = trainset[10] 117 # print(img.shape) 118 119 #顯示影像 120 def show_image(img,label): 121 print('Label: ', trainset.classes[label], "("+str(label)+")") 122 plt.imshow(img.permute(1,2,0)) 123 plt.show() 124 125 # show_image(*trainset[10]) 126 # show_image(*trainset[20]) 127 128 torch.manual_seed(10) 129 train_size = len(trainset) 130 val_size = len(valset) 131 test_size = len(testset) 132 133 train_ds=trainset 134 val_ds=valset 135 test_ds=testset 136 len(train_ds), len(val_ds), len(test_ds) 137 138 #讀取資料 139 batch_size = 64 140 train_loader = DataLoader(train_ds, batch_size, shuffle=True, num_workers=4, pin_memory=True) 141 val_loader = DataLoader(val_ds, batch_size*2, num_workers=4, pin_memory=True) 142 test_loader = DataLoader(test_ds, batch_size*2, num_workers=4, pin_memory=True) 143 144 145 if __name__ == '__main__': 146 for images, labels in train_loader: 147 fig, ax = plt.subplots(figsize=(18,10)) 148 ax.set_xticks([]) 149 ax.set_yticks([]) 150 ax.imshow(make_grid(images,nrow=16).permute(1,2,0)) 151 break 152 153 154 155 torch.cuda.is_available() 156 157 158 #選擇GPU或CPU 159 def get_default_device(): 160 if torch.cuda.is_available(): 161 return torch.device('cuda') 162 else: 163 return torch.device('cpu') 164 165 #移動到所選的設備 166 def to_device(data, device): 167 if isinstance(data, (list,tuple)): 168 return [to_device(x, device) for x in data] 169 return data.to(device, non_blocking=True) 170 171 class DeviceDataLoader(): 172 #包裝資料加載器以將資料移動到設備 173 def __init__(self, dl, device): 174 self.dl = dl 175 self.device = device 176 177 def __iter__(self): 178 #將資料移動到設備后生成一批資料 179 for b in self.dl: 180 yield to_device(b, self.device) 181 182 def __len__(self): 183 #分批次 184 return len(self.dl) 185 186 device = get_default_device() 187 188 189 train_loader = DeviceDataLoader(train_loader, device) 190 val_loader = DeviceDataLoader(val_loader, device) 191 test_loader = DeviceDataLoader(test_loader, device) 192 193 input_size = 3*40*40 194 output_size = 3 195 196 197 198 def accuracy(outputs, labels): 199 _, preds = torch.max(outputs, dim=1) 200 return torch.tensor(torch.sum(preds == labels).item() / len(preds)) 201 202 #影像分類 203 class ImageClassificationBase(nn.Module): 204 def training_step(self, batch): 205 images, labels = batch 206 out = self(images) # 生成預測 207 loss = F.cross_entropy(out, labels) # 計算損失 208 return loss 209 210 def validation_step(self, batch): 211 images, labels = batch 212 out = self(images) # 生成預測 213 loss = F.cross_entropy(out, labels) # 計算損失 214 acc = accuracy(out, labels) # 計算精度 215 return {'val_loss': loss.detach(), 'val_acc': acc} 216 217 def validation_epoch_end(self, outputs): 218 batch_losses = [x['val_loss'] for x in outputs] 219 epoch_loss = torch.stack(batch_losses).mean() # 合并損失 220 batch_accs = [x['val_acc'] for x in outputs] 221 epoch_acc = torch.stack(batch_accs).mean() # 結合精度 222 return {'val_loss': epoch_loss.item(), 'val_acc': epoch_acc.item()} 223 224 def epoch_end(self, epoch, result): 225 print("Epoch [{}], train_loss: {:.4f}, val_loss: {:.4f}, val_acc: {:.4f}".format( 226 epoch, result['train_loss'], result['val_loss'], result['val_acc'])) 227 228 #構建CNN模型 229 class CnnModel(ImageClassificationBase): 230 def __init__(self): 231 super().__init__() 232 #cnn提取特征 233 self.network = nn.Sequential( 234 nn.Conv2d(3, 100, kernel_size=3, padding=1),#Conv2D層 235 nn.ReLU(), 236 nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1), 237 nn.ReLU(), 238 nn.MaxPool2d(2, 2), #池化層 239 240 nn.Conv2d(150, 200, kernel_size=3, stride=1, padding=1), 241 nn.ReLU(), 242 nn.Conv2d(200, 200, kernel_size=3, stride=1, padding=1), 243 nn.ReLU(), 244 nn.MaxPool2d(2, 2), 245 246 nn.Conv2d(200, 250, kernel_size=3, stride=1, padding=1), 247 nn.ReLU(), 248 nn.Conv2d(250, 250, kernel_size=3, stride=1, padding=1), 249 nn.ReLU(), 250 nn.MaxPool2d(2, 2), 251 252 #全連接 253 nn.Flatten(), 254 nn.Linear(6250, 256), 255 nn.ReLU(), 256 nn.Linear(256, 128), 257 nn.ReLU(), 258 nn.Linear(128, 64), 259 nn.ReLU(), 260 nn.Linear(64, 32), 261 nn.ReLU(), 262 nn.Dropout(0.25), 263 nn.Linear(32, len(classes))) 264 265 def forward(self, xb): 266 return self.network(xb) 267 268 # 將模型加載到GPU上去 269 model = CnnModel() 270 271 # model.cuda() 272 273 if __name__ == '__main__': 274 for images, labels in train_loader: 275 out = model(images) 276 print('images.shape:', images.shape) 277 print('out.shape:', out.shape) 278 print('out[0]:', out[0]) 279 break 280 281 device = get_default_device() 282 283 train_dl = DeviceDataLoader(train_loader, device) 284 val_dl = DeviceDataLoader(val_loader, device) 285 test_dl = DeviceDataLoader(test_loader, device) 286 to_device(model, device) 287 288 289 #訓練網路 290 def evaluate(model, val_loader): 291 model.eval() 292 outputs = [model.validation_step(batch) for batch in val_loader] 293 return model.validation_epoch_end(outputs) 294 295 def fit(epochs, lr, model, train_loader, val_loader, opt_func=torch.optim.SGD): 296 history = [] 297 optimizer = opt_func(model.parameters(), lr) 298 for epoch in range(epochs): 299 # 訓練階段 300 model.train() 301 train_losses = [] 302 for batch in tqdm(train_loader,disable=True): 303 loss = model.training_step(batch) 304 train_losses.append(loss) 305 loss.backward() 306 optimizer.step() 307 optimizer.zero_grad() 308 # 驗證階段 309 result = evaluate(model, val_loader) 310 result['train_loss'] = torch.stack(train_losses).mean().item() 311 model.epoch_end(epoch, result) 312 history.append(result) 313 return history 314 315 model = to_device(CnnModel(), device) 316 317 318 history=[evaluate(model, val_loader)] 319 num_epochs = 5 320 opt_func = torch.optim.Adam 321 lr = 0.001 322 323 history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func) 324 325 326 # # 繪制損失函式和準確率圖 327 328 def plot_accuracies(history): 329 accuracies = [x['val_acc'] for x in history] 330 plt.plot(accuracies, '-x') 331 plt.xlabel('epoch') 332 plt.ylabel('accuracy') 333 plt.title('Accuracy vs. No. of epochs') 334 plt.show() 335 336 def plot_losses(history): 337 train_losses = [x.get('train_loss') for x in history] 338 val_losses = [x['val_loss'] for x in history] 339 plt.plot(train_losses, '-bx') 340 plt.plot(val_losses, '-rx') 341 plt.xlabel('epoch') 342 plt.ylabel('loss') 343 plt.legend(['Training', 'Validation']) 344 plt.title('Loss vs. No. of epochs') 345 plt.show() 346 347 plot_accuracies(history) 348 plot_losses(history) 349 350 evaluate(model, test_loader) 351 352 353 #預測分類 354 y_true=[] 355 y_pred=[] 356 with torch.no_grad(): 357 for test_data in test_loader: 358 test_images, test_labels = test_data[0].to(device), test_data[1].to(device) 359 pred = model(test_images).argmax(dim=1) 360 for i in range(len(pred)): 361 y_true.append(test_labels[i].item()) 362 y_pred.append(pred[i].item()) 363 364 from sklearn.metrics import classification_report 365 print(classification_report(y_true,y_pred,target_names=classes,digits=4)) 366 367 # 讀取圖片進行預測 368 import numpy as np 369 from PIL import Image 370 import matplotlib.pyplot as plt 371 import torchvision.transforms as transforms 372 373 def predict(img_path): 374 img = Image.open(img_path) 375 plt.imshow(img) 376 plt.show() 377 img = img.resize((32,32)) 378 img = transforms.ToTensor()(img) 379 img = img.unsqueeze(0) 380 img = img.to(device) 381 pred = model(img).argmax(dim=1) 382 print('預測結果為：',classes[pred.item()]) 383 return classes[pred.item()] 384 385 predict('./raw/apple/Image_1.jpg')
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/540588.html
標籤：Python
上一篇：#PHP #MySQL資料操作 #在線聊天 PHP實作在線聊天與MySQL的“增查刪改”
下一篇：Python從入門到精通（第2版）——pyuic5: error: no such option: -m的問題解決