位置: IT常识 - 正文

【深度学习】Pytorch实现CIFAR10图像分类任务测试集准确率达95%

编辑:rootadmin
【深度学习】Pytorch实现CIFAR10图像分类任务测试集准确率达95% 文章目录前言CIFAR10简介Backbone选择训练+测试训练环境及超参设置完整代码部分测试结果完整工程文件Reference前言

推荐整理分享【深度学习】Pytorch实现CIFAR10图像分类任务测试集准确率达95%,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

分享一下本人去年入门深度学习时,在CIFAR10数据集上做的图像分类任务,使用了多个主流的backbone网络,希望可以为同样想入门深度学习的同志们,提供一个方便上手、容易理解的参考教程。

CIFAR10简介

CIFAR-10数据集是图像分类领域经典的数据集,由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理得到,一共包含10个类别的 RGB彩色图片:飞机( airplane )、汽车( automobile )、鸟类( bird )、猫( cat )、鹿( deer )、狗( dog )、蛙类( frog )、马( horse )、船( ship )和卡车( truck ),图片的尺寸为 32×32 ,数据集中一共有 50000 张训练圄片和 10000 张测试图片。 CIFAR-10 的图片样例如图所示   Pytorch中提供了如下命令可以直接将CIFAR10数据集下载到本地:

import torchvisiondataset = torchvision.datasets.CIFAR10(root, train=True, download=True, transform)root:数据集加载到本地的路径train=True:True表示加载训练集,False加载测试集download=True:True表示加载数据集到root,若数据集已经存在,则不会再加载transform:数据增强

  这里分享一个加载CIFAR10数据集的完整代码:

# 设置数据增强print('==> Preparing data..')transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),])transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),])# 加载CIFAR10数据集trainset = torchvision.datasets.CIFAR10( root=opt.data, train=True, download=True, transform=transform_train)trainloader = torch.utils.data.DataLoader( trainset, batch_size=opt.batch_size, shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10( root=opt.data, train=False, download=True, transform=transform_test)testloader = torch.utils.data.DataLoader( testset, batch_size=100, shuffle=False, num_workers=2)Backbone选择

本文主要尝试了以下几个主流的backbone网络,并在CIFAR10上实现了图像分类任务:

LetNetAlexNetVGGGoogLeNet(InceptionNet)ResNetDenseNetResNeXtSENetMobileNetv2-v3ShuffleNetv2EfficientNetB0Darknet53CSPDarknet53【深度学习】Pytorch实现CIFAR10图像分类任务测试集准确率达95%

  这里放上测试结果最好的ResNet模块的构建代码,其他代码放到最后完整工程backbone文件夹中:

"""pytorch实现ResNet50、ResNet101和ResNet152:"""import torchimport torch.nn as nnimport torchvisionimport torch.nn.functional as F# conv1 7 x 7 64 stride=2def Conv1(channel_in, channel_out, stride=2): return nn.Sequential( nn.Conv2d( channel_in, channel_out, kernel_size=7, stride=stride, padding=3, bias=False ), nn.BatchNorm2d(channel_out), # 会改变输入数据的值 # 节省反复申请与释放内存的空间与时间 # 只是将原来的地址传递,效率更好 nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=stride, padding=1) )# 构建ResNet18-34的网络基础模块class BasicBlock(nn.Module): expansion = 1 def __init__(self, in_planes, planes, stride=1): super(BasicBlock, self).__init__() self.conv1 = nn.Conv2d( in_planes, planes, kernel_size=3, stride=stride, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(planes) self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(planes) self.shortcut = nn.Sequential() if stride != 1 or in_planes != self.expansion * planes: self.shortcut = nn.Sequential( nn.Conv2d(in_planes, self.expansion * planes, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(self.expansion * planes) ) def forward(self, x): out = F.relu(self.bn1(self.conv1(x))) out = self.bn2(self.conv2(out)) out += self.shortcut(x) out = F.relu(out) return out# 构建ResNet50-101-152的网络基础模块class Bottleneck(nn.Module): expansion = 4 def __init__(self, in_planes, planes, stride=1): super(Bottleneck, self).__init__() # 构建 1x1, 3x3, 1x1的核心卷积块 self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm2d(planes) self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(planes) self.conv3 = nn.Conv2d(planes, self.expansion * planes, kernel_size=1, bias=False) self.bn3 = nn.BatchNorm2d(self.expansion * planes) # 采用1x1的kernel,构建shout cut # 注意这里除了第一个bottleblock之外,都需要下采样,所以步长要设置为stride=2 self.shortcut = nn.Sequential() if stride != 1 or in_planes != self.expansion * planes: self.shortcut = nn.Sequential( nn.Conv2d(in_planes, self.expansion * planes, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(self.expansion * planes) ) def forward(self, x): out = F.relu(self.bn1(self.conv1(x))) out = F.relu(self.bn2(self.conv2(out))) out = self.bn3(self.conv3(out)) out += self.shortcut(x) out = F.relu(out) return out# 搭建ResNet模板块class ResNet(nn.Module): def __init__(self, block, num_blocks, num_classes=10): super(ResNet, self).__init__() self.in_planes = 64 self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(64) # 逐层搭建ResNet self.layer1 = self._make_layer(block, 64, num_blocks[0], stride=1) self.layer2 = self._make_layer(block, 128, num_blocks[1], stride=2) self.layer3 = self._make_layer(block, 256, num_blocks[2], stride=2) self.layer4 = self._make_layer(block, 512, num_blocks[3], stride=2) self.linear = nn.Linear(512 * block.expansion, num_classes) # 参数初始化 # for m in self.modules(): # if isinstance(m, nn.Conv2d): # nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu') # elif isinstance(m, nn.BatchNorm2d): # nn.init.constant_(m.weight, 1) # nn.init.constant_(m.bias, 0) def _make_layer(self, block, planes, num_blocks, stride): strides = [stride] + [1] * (num_blocks - 1) # layers = [ ] 是一个列表 # 通过下面的for循环遍历配置列表,可以得到一个由 卷积操作、池化操作等 组成的一个列表layers # return nn.Sequential(*layers),即通过nn.Sequential函数将列表通过非关键字参数的形式传入(列表layers前有一个星号) layers = [] for stride in strides: layers.append(block(self.in_planes, planes, stride)) self.in_planes = planes * block.expansion return nn.Sequential(*layers) def forward(self, x): out = F.relu(self.bn1(self.conv1(x))) out = self.layer1(out) out = self.layer2(out) out = self.layer3(out) out = self.layer4(out) out = F.avg_pool2d(out, 4) out = out.view(out.size(0), -1) out = self.linear(out) return outdef ResNet18(): return ResNet(BasicBlock, [2, 2, 2, 2])def ResNet34(): return ResNet(BasicBlock, [3, 4, 6, 3])def ResNet50(): return ResNet(Bottleneck, [3, 4, 6, 3])def ResNet101(): return ResNet(Bottleneck, [3, 4, 23, 3])def ResNet152(): return ResNet(Bottleneck, [3, 8, 36, 3])# 测试# if __name__ == '__main__':# model = ResNet50()# print(model)## input = torch.randn(1, 3, 32, 32)# out = model(input)# print(out.shape)训练+测试训练环境及超参设置

本文的训练环境和超参数设置如下:

1块1080 Ti GPUepoch为100batch-size为128优化器:SGD学习率:余弦退火有序调整学习率

  主要步骤如下:

加载数据集

将数据集加载到本地按batch-size加载到dataLoader设置相关参数

指定GPU训练相关参数断点续训模型保存参数设置优化器设置学习率循环每个epoch

开启训练开启测试学习率调整数据可视化打印结果完整代码'''Train CIFAR10 with PyTorch.'''import torchvision.transforms as transformsimport timeimport torchimport torchvisionimport torch.nn as nnimport torch.optim as optimimport torch.backends.cudnn as cudnnfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport osimport argparse# 导入模型from backbones.ResNet import ResNet18# 指定GPUos.environ['CUDA_VISIBLE_DEVICES'] = '1'# 用于计算GPU运行时间def time_sync(): # pytorch-accurate time if torch.cuda.is_available(): torch.cuda.synchronize() return time.time()# Trainingdef train(epoch): model.train() train_loss = 0 correct = 0 total = 0 train_acc = 0 # 开始迭代每个batch中的数据 for batch_idx, (inputs, targets) in enumerate(trainloader): # inputs:[b,3,32,32], targets:[b] # train_outputs:[b,10] inputs, targets = inputs.to(device), targets.to(device) # print(inputs.shape) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() # 计算损失 train_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() # 计算准确率 train_acc = correct / total # 每训练100个batch打印一次训练集的loss和准确率 if (batch_idx + 1) % 100 == 0: print('[INFO] Epoch-{}-Batch-{}: Train: Loss-{:.4f}, Accuracy-{:.4f}'.format(epoch + 1, batch_idx + 1, loss.item(), train_acc)) # 计算每个epoch内训练集的acc total_train_acc.append(train_acc)# Testingdef test(epoch, ckpt): global best_acc model.eval() test_loss = 0 correct = 0 total = 0 test_acc = 0 with torch.no_grad(): for batch_idx, (inputs, targets) in enumerate(testloader): inputs, targets = inputs.to(device), targets.to(device) outputs = model(inputs) loss = criterion(outputs, targets) test_loss += loss.item() _, predicted = outputs.max(1) total += targets.size(0) correct += predicted.eq(targets).sum().item() test_acc = correct / total print( '[INFO] Epoch-{}-Test Accurancy: {:.3f}'.format(epoch + 1, test_acc), '\n') total_test_acc.append(test_acc) # 保存权重文件 acc = 100. * correct / total if acc > best_acc: print('Saving..') state = { 'net': model.state_dict(), 'acc': acc, 'epoch': epoch, } if not os.path.isdir('checkpoint'): os.mkdir('checkpoint') torch.save(state, ckpt) best_acc = accif __name__ == '__main__': # 设置超参 parser = argparse.ArgumentParser(description='PyTorch CIFAR10 Training') parser.add_argument('--epochs', type=int, default=100) parser.add_argument('--batch_size', type=int, default=128) parser.add_argument('--data', type=str, default='cifar10') parser.add_argument('--T_max', type=int, default=100) parser.add_argument('--lr', default=0.1, type=float, help='learning rate') parser.add_argument('--resume', '-r', action='store_true', help='resume from checkpoint') parser.add_argument('--checkpoint', type=str, default='checkpoint/ResNet18-CIFAR10.pth') opt = parser.parse_args() # 设置相关参数 device = torch.device('cuda:0') if torch.cuda.is_available() else 'cpu' best_acc = 0 # best test accuracy start_epoch = 0 # start from epoch 0 or last checkpoint epoch classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') # 设置数据增强 print('==> Preparing data..') transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) # 加载CIFAR10数据集 trainset = torchvision.datasets.CIFAR10( root=opt.data, train=True, download=True, transform=transform_train) trainloader = torch.utils.data.DataLoader( trainset, batch_size=opt.batch_size, shuffle=True, num_workers=2) testset = torchvision.datasets.CIFAR10( root=opt.data, train=False, download=True, transform=transform_test) testloader = torch.utils.data.DataLoader( testset, batch_size=100, shuffle=False, num_workers=2) # print(trainloader.dataset.shape) # 加载模型 print('==> Building model..') model = ResNet18().to(device) # DP训练 if device == 'cuda': model = torch.nn.DataParallel(model) cudnn.benchmark = True # 加载之前训练的参数 if opt.resume: # Load checkpoint. print('==> Resuming from checkpoint..') assert os.path.isdir('checkpoint'), 'Error: no checkpoint directory found!' checkpoint = torch.load(opt.checkpoint) model.load_state_dict(checkpoint['net']) best_acc = checkpoint['acc'] start_epoch = checkpoint['epoch'] # 设置损失函数与优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=opt.lr, momentum=0.9, weight_decay=5e-4) # 余弦退火有序调整学习率 scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=opt.T_max) # ReduceLROnPlateau(自适应调整学习率) # scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=10) # 记录training和testing的acc total_test_acc = [] total_train_acc = [] # 记录训练时间 tic = time_sync() # 开始训练 for epoch in range(opt.epochs): train(epoch) test(epoch, opt.checkpoint) # 动态调整学习率 scheduler.step() # ReduceLROnPlateau(自适应调整学习率) # scheduler.step(loss_val) # 数据可视化 plt.figure() plt.plot(range(opt.epochs), total_train_acc, label='Train Accurancy') plt.plot(range(opt.epochs), total_test_acc, label='Test Accurancy') plt.xlabel('Epoch') plt.ylabel('Accurancy') plt.title('ResNet18-CIFAR10-Accurancy') plt.legend() plt.savefig('output/ResNet18-CIFAR10-Accurancy.jpg') # 自动保存plot出来的图片 plt.show() # 输出best_acc print(f'Best Acc: {best_acc * 100}%') toc = time_sync() # 计算本次运行时间 t = (toc - tic) / 3600 print(f'Training Done. ({t:.3f}s)')部分测试结果BackboneBest AccMobileNetv293.37%VGG1693.80%DenseNet12194.55%GoogLeNet95.02%ResNeXt29_32×4d95.18%ResNet5095.20%SENet1895.22%ResNet1895.23%完整工程文件

Pytorch实现CIFAR10图像分类任务测试集准确率达95%

Reference

CIFAR-10 数据集

深度学习入门基础教程(二) CNN做CIFAR10数据集图像分类 pytorch版代码

Pytorch CIFAR10 图像分类篇 汇总

pytorch-cifar:使用PyTorch在CIFAR10上为95.47%

本文链接地址:https://www.jiuchutong.com/zhishi/300727.html 转载请保留说明!

上一篇:vue中组件间通信的6种方式(vue之间的组件通信)

下一篇:自注意力(Self-Attention)与Multi-Head Attention机制详解(自注意力机制是什么)

  • 支持苹果笔的ipad(支持苹果笔的ipad型号)

    支持苹果笔的ipad(支持苹果笔的ipad型号)

  • 此网站请求打开应用怎么才能关闭(此网站请求打开支付宝)

    此网站请求打开应用怎么才能关闭(此网站请求打开支付宝)

  • 华为p40怎么返回(p40怎么设置返回键)

    华为p40怎么返回(p40怎么设置返回键)

  • 苹果手机死机自动重启怎么回事(苹果手机死机自动关机重启)

    苹果手机死机自动重启怎么回事(苹果手机死机自动关机重启)

  • 抖音直播延迟有几秒(谁知道抖音直播延迟有几秒)

    抖音直播延迟有几秒(谁知道抖音直播延迟有几秒)

  •  华为p30屏幕上的小白圈怎么去掉(华为p30屏幕上有个方框怎么关)

    华为p30屏幕上的小白圈怎么去掉(华为p30屏幕上有个方框怎么关)

  • 华为和vivo耳机通用吗(华为和vivo耳机区别)

    华为和vivo耳机通用吗(华为和vivo耳机区别)

  • 国际上网卸载了有影响吗(国际上网下载安装)

    国际上网卸载了有影响吗(国际上网下载安装)

  • 微信解冻失败怎么回事(微信解冻失败怎么办)

    微信解冻失败怎么回事(微信解冻失败怎么办)

  • 网络存在安全风险是什么原因(网络存在安全风险怎么设置)

    网络存在安全风险是什么原因(网络存在安全风险怎么设置)

  • 苹果贴膜用力按压屏幕会坏吗(苹果手机贴膜时用劲摁伤屏吗)

    苹果贴膜用力按压屏幕会坏吗(苹果手机贴膜时用劲摁伤屏吗)

  • 电脑ip地址可以随便改吗(电脑ip地址可以暴露哪些信息)

    电脑ip地址可以随便改吗(电脑ip地址可以暴露哪些信息)

  • 锁屏通知和横幅通知的区别

    锁屏通知和横幅通知的区别

  • 用蓝牙耳机网络变卡(用蓝牙耳机网络为什么会卡)

    用蓝牙耳机网络变卡(用蓝牙耳机网络为什么会卡)

  • 公众号改名字需要多久(公众号改名字需要多久能变过来)

    公众号改名字需要多久(公众号改名字需要多久能变过来)

  • 微信步数点赞好友能看到吗(微信步数点赞别人看得到吗)

    微信步数点赞好友能看到吗(微信步数点赞别人看得到吗)

  • 加粗的快捷键(加粗的快捷键是)

    加粗的快捷键(加粗的快捷键是)

  • 增量下载怎么取消(app增量下载)

    增量下载怎么取消(app增量下载)

  • 拼多多拼单成功就发货吗(拼多多拼单成功怎么退款)

    拼多多拼单成功就发货吗(拼多多拼单成功怎么退款)

  • 苹果手机返回键怎么设置(苹果手机返回键不灵敏怎么回事)

    苹果手机返回键怎么设置(苹果手机返回键不灵敏怎么回事)

  • mate30防窥屏怎么设置(mate30ai防窥屏)

    mate30防窥屏怎么设置(mate30ai防窥屏)

  • powtran是什么牌子(power是什么牌子)

    powtran是什么牌子(power是什么牌子)

  • 怎么把光盘里的东西复制到电脑(怎么把光盘里的东西拷贝到手机里)

    怎么把光盘里的东西复制到电脑(怎么把光盘里的东西拷贝到手机里)

  • 小米6如何小屏(小米如何小屏幕)

    小米6如何小屏(小米如何小屏幕)

  • 宏基笔记本电脑预装win8改win7系统教程详细图解(宏基笔记本电脑售后电话)

    宏基笔记本电脑预装win8改win7系统教程详细图解(宏基笔记本电脑售后电话)

  • 在Win7系统中,防火墙如何禁止某程序联网?(在windows 7中)

    在Win7系统中,防火墙如何禁止某程序联网?(在windows 7中)

  • 单位的车辆车船税怎么交
  • 个人缴纳职业年金是什么意思
  • 固定资产清理残料变价收入
  • 农机合作社项目复核报告
  • 公司费用票
  • 公司销户本金转到哪里
  • 小规模纳税人发票怎么做账
  • 出售交易性金融资产的交易费用计入
  • 财税公告2019年第74号
  • 水资源税怎么入账
  • 应收账款转入呆账如何做帐
  • 城市公交企业购置的公共汽车
  • 劳务报酬所得如何计税
  • 房地产成本核算会计分录
  • 生产共同费用每个月都有摊销吗?
  • 2018营改增房产税计税依据
  • 增值税差额征收企业所得税主营业务收入应按什么计入
  • 股权转让怎么缴纳个人所得税
  • 怎么确认权益性投资收益收入?
  • 电子产品企业用电量大吗
  • 财务中不能冲销的凭证
  • 电子发票服务平台诺诺发票官网
  • 查账征收的企业所得税什么时候开始汇算
  • 美元兑人民币分时走势图
  • 如何在vue项目中导入外部的包
  • 新手刚接触财务
  • 迷迭香怎么养殖方法
  • 蓝桥杯等级
  • 公司怎么查已报销发票
  • 居民企业境外所得税抵免限额
  • php采集系统
  • Chrome谷歌浏览器网页
  • php框架ci
  • PHP+HTML+JavaScript+Css实现简单爬虫开发
  • yolov5 入门
  • js对象数据类型有哪些
  • 训练自己的GPT
  • 你还没等于几
  • 简单的php文件
  • python怎么做gui
  • 小规模附加税减免性质代码如何选
  • 土地出让金抵减增值税账务处理
  • 企业贷款利息是多少
  • 银行收到企业存款会计分录
  • css文件代码示例
  • discuz管理中心进不去
  • 运输服务的增值税税率到底是6还是9
  • 企业享受政府补贴的具体方式
  • 单位未足额缴纳社保怎么赔偿
  • 非货币性资产交换以公允价值为基础进行计量
  • 研发费用账务调整合同怎么写
  • 出差餐补算在工资里吗
  • 现金折扣要扣除折扣金额入账吗
  • 计提应收会计分录
  • 以前年度损益调整
  • 印花税新政策
  • 小规模纳税人本期应纳税额
  • 汽车折旧年限及残值率是多少
  • 餐饮打包盒 标准
  • 公司购买垃圾袋可以抵扣吗
  • 电话费计入什么二级科目
  • ubuntul
  • window系统怎么查看
  • windowsxp打开注册表
  • windowsxp网页打不开怎么办
  • linux删除大量文件方法
  • win10每周更新
  • win10 cpu使用率高怎么办
  • Win10 Build 14316启用Linux Bash 环境图文教程
  • windows更新
  • jqueryvalidate验证
  • jQuery插件能输出到控制台
  • vue两个花括号
  • jquery中删除节点方法
  • js实现vue
  • python中函数参数类型
  • python 获取uuid
  • 员工离职了个人所得税年度汇算应申报未申报怎么处理
  • 北京社保登记证怎么办
  • 中国进口奶粉关税税率表2019
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设