兄弟萌，我咕里個咚今天又殺回來了，有幾天時間可以不用駐場了，喜大普奔，終于可以在有網的地方碼代碼了，最近駐場也是又熱又心累啊，抓緊這幾天，再更新一點的新東西，

今天主要講一下非監督學習，你可能要問了，什么是非監督學習，我的理解就是不會給樣本標簽的，它本質上是一個統計手段，在沒有標簽的資料里可以發現潛在的一些結構的一種訓練方式，這個可以用來干什么，舉個例子，在工業場景瑕疵檢測的運用中，由于良品的數量遠遠高于不良品的數量，如果這個時候你要采用監督學習，那么收集樣本的時間就多得嚇人了，可能你樣本還沒有收集完全，產品都已經做完下線了，所以，你就撓頭吧，于是，非監督學習就迎來了一片藍海，但是即使是藍海也要你的船能開才行，這里面也不乏調整，比如非監督學習的效果就不太好去評估，當然，我想了點辦法，在工業領域也有所應用了，但是過殺有點高，大概5%左右，這5%的過殺，再通過后期的監督演算法，其實可以解決很多問題了，這樣工業上的大部分問題，都可以有所緩解了，我真棒，哈哈哈

1.非監督學習網路架構

先提供一下，我的非監督學習的網路架構，還是基于pytorch來寫的，我給這個網路一個名稱叫做

piercing eye，話不多說，上代碼，

from torch import nn
import torch


class CBP(nn.Module):
    """
    conv + batchnormal + prelu
    """
    def __init__(self,inc,ouc):
        super().__init__()
        self.block1=nn.Sequential(  
            nn.Conv2d(inc,ouc,3,1,1),
            nn.BatchNorm2d(ouc),
            nn.PReLU()
            )
    def forward(self,y):
        return self.block1(y)

class Up_Block(nn.Module):
    def __init__(self, in_channel, out_channel):
        super().__init__()
        self.block1=nn.Sequential(
            nn.ConvTranspose2d(in_channel, out_channel, 3, 2, 1, 1),
            nn.BatchNorm2d(out_channel),
            nn.PReLU()
            )
    def forward(self,y):
        return self.block1(y)


class Down_Block(nn.Module):
    def __init__(self, in_channel, out_channel):
        super().__init__()
        self.block1=nn.Sequential(  
            nn.Conv2d(in_channel, out_channel, 5, 2, padding=2),
            nn.BatchNorm2d(out_channel),
            nn.PReLU()
            )
    def forward(self,y):
        return self.block1(y)


class PiercingEye(nn.Module):
    def __init__(self):
        super().__init__()
        self.block1=nn.Sequential(  
            CBP(3, 4),
            Down_Block(4, 8),
            Down_Block(8, 16),
            Down_Block(16, 32),
            Down_Block(32, 64),
            Down_Block(64, 128),
            Down_Block(128, 256),
            CBP(256, 256),
            Up_Block(256, 128),
            Up_Block(128, 64),
            Up_Block(64, 32),
            Up_Block(32, 16),
            Up_Block(16, 8),
            Up_Block(8, 4),
            nn.Conv2d(4,3,1),
            nn.Tanh()
            )
    def forward(self,y):
        return self.block1(y)
    

if __name__ == '__main__':
    net = PiercingEye()
    x = torch.Tensor(2,3,512,512)
    y = net(x)
    print(y.shape)

簡單的說明一下，其實就是做了6次下采樣和6次上采樣，也就是AE網路，中間沒有任何跳躍連接，也可以理解成是一個生成網路，

2.資料集準備

我直接給大家一個百度云的鏈接，這也是一個開源的資料集,我稍微整理了一下，方便大家使用

鏈接：https://pan.baidu.com/s/1ir5xmYJWAX8QIXHb6_5zWw
提取碼：5ph7
里面一共兩個檔案夾，data_train，data_val截圖以示清白，

資料大概就是這個樣子的，左邊是ok的，右邊是ng的，不是徑訓，不是徑訓，不是徑訓，重要的事說三遍，

data_train里面一共784張圖片，都是ok圖片

data_val里面一共366張圖片，150張ng圖片和216張ok圖片

我們訓練只訓練OK圖片，看看能不能通過只訓練OK圖片來判斷驗證集里面的OK和NG

3.Dataset

有了網路，有了資料，就該來處理資料準備往網路里送了，上代碼

import torch
import os
from torch.utils.data import Dataset
import random
import data_agumentation
import torchvision.transforms as tf
import cv2

transform = tf.Compose([tf.ToTensor(),tf.Normalize([0.5],[0.5])])

class train_data(Dataset):

    def __init__(self, path):
        print('start build_train_data')
        self.path=path
        self.imgs=[]
        for i in os.listdir(path):
            self.imgs.append(i)

    def __len__(self):
        return len(self.imgs)

    def __getitem__(self, index):
        random_num = random.randint(0,2)
        img=cv2.imread(self.path+'/'+self.imgs[index])
        if random_num == 1:
            img = data_agumentation.augment_left_flip(img)
        elif random_num == 2:
            img = data_agumentation.augment_rotate(img,180)
        img = transform(img)
        return img,img

if __name__ == '__main__':
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    data=train_data(r'D:\blog_project\guligedong_unsupervised\data\data_train')
    train_loader = torch.utils.data.DataLoader(data, batch_size=3, shuffle=True)
    for index,(img, label) in enumerate(train_loader):
        print(img.size())
        print(label.size())
        print()

你應該很熟悉，因為上一篇也寫過類似的，這你會看到，其實img和label是一樣的， 我們的目的也是輸入一張圖片，讓他生成一張一樣的圖片，這樣是為什么呢？我的思路就是，因為我的訓練集只有ok的，網路只能生成ok的特征，如果輸入的是ng的圖片，那么網路就不能生成ng的特征，這個時候就會有差異了，

    def __getitem__(self, index):
        random_num = random.randint(0,2)
        img=cv2.imread(self.path+'/'+self.imgs[index])
        if random_num == 1:
            img = data_agumentation.augment_left_flip(img)
        elif random_num == 2:
            img = data_agumentation.augment_rotate(img,180)
        img = transform(img)
        return img,img

在這個代碼段里，我用了隨機的樣本增強，這個樣本增強也是我前面文章中提供給大家的，就是一個水平的鏡像翻轉和180度的旋轉，當然你還可以增加90和270度的旋轉，大家也可以看到，這個dataset就簡單了很多，因為非監督學習沒有標簽，或者說，非監督學習樣本的標簽就是它本身，

今天就先更新到這里，下一篇我即將要更新訓練代碼和測驗代碼，以及整個專案的代碼，盡情期待，

順便問一下原力值是個什么東西，可以當飯吃嗎？

至此，敬禮，salute！！！！