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)

  • 哈啰单车自动续费了可以取消吗(哈啰单车自动续费怎么退卡)

    哈啰单车自动续费了可以取消吗(哈啰单车自动续费怎么退卡)

  • 苹果13如何添加门禁卡(苹果13如何添加NFC)

    苹果13如何添加门禁卡(苹果13如何添加NFC)

  • 红魔6spro怎么插卡(红魔6pro有几个充电孔)

    红魔6spro怎么插卡(红魔6pro有几个充电孔)

  • 夸克app是干嘛用的(夸克app干嘛用的)

    夸克app是干嘛用的(夸克app干嘛用的)

  • 抖音有的视频不能保存是怎么回事(抖音有的视频不能保存到相册)

    抖音有的视频不能保存是怎么回事(抖音有的视频不能保存到相册)

  • 华为p40双卡槽在哪里(华为p40双卡卡槽在哪)

    华为p40双卡槽在哪里(华为p40双卡卡槽在哪)

  • 嘀嗒顺风车抽成多少(嘀嗒顺风车抽成比例2023)

    嘀嗒顺风车抽成多少(嘀嗒顺风车抽成比例2023)

  • 微信表情包旺柴是什么意思(微信表情包旺柴狗头是什么意思)

    微信表情包旺柴是什么意思(微信表情包旺柴狗头是什么意思)

  • applewatch正在同步需要多久(applewatch正在同步不动了)

    applewatch正在同步需要多久(applewatch正在同步不动了)

  • 荣耀20发烫是什么原因(荣耀20发热严重官方回复)

    荣耀20发烫是什么原因(荣耀20发热严重官方回复)

  • 苹果电脑充电器发烫(苹果电脑充电器亮橙色的灯)

    苹果电脑充电器发烫(苹果电脑充电器亮橙色的灯)

  • 微信夜间模式怎么关(微信夜间模式怎么开)

    微信夜间模式怎么关(微信夜间模式怎么开)

  • 最小生成树和最短路径的区别(最小生成树和最小支撑树)

    最小生成树和最短路径的区别(最小生成树和最小支撑树)

  • 淘宝月销量怎么变少了(淘宝月销量怎么变少了2个)

    淘宝月销量怎么变少了(淘宝月销量怎么变少了2个)

  • psk密码是什么(pak密码是什么意思)

    psk密码是什么(pak密码是什么意思)

  • 华为换华为手机如何把东西全部转移(华为换华为手机怎么一键换机)

    华为换华为手机如何把东西全部转移(华为换华为手机怎么一键换机)

  • iPhone11支持动态壁纸么(苹果11设置动态)

    iPhone11支持动态壁纸么(苹果11设置动态)

  • 淘宝会员卡怎么用(淘宝会员卡怎么没了)

    淘宝会员卡怎么用(淘宝会员卡怎么没了)

  • 截图工具在哪(浏览器上的截图工具在哪)

    截图工具在哪(浏览器上的截图工具在哪)

  • 服务器可以当电脑用吗(服务器可以当电脑主机用装什么系统)

    服务器可以当电脑用吗(服务器可以当电脑主机用装什么系统)

  • bn40是什么手机型号(bn54是什么型号手机)

    bn40是什么手机型号(bn54是什么型号手机)

  • 抖音超过15秒怎么设置(抖音超过15秒怎么拍照片)

    抖音超过15秒怎么设置(抖音超过15秒怎么拍照片)

  • 计算机最主要的工作特点是什么(计算机最主要的技术指标)

    计算机最主要的工作特点是什么(计算机最主要的技术指标)

  • oppo手机从哪里调色彩(oppo手机从哪下载软件)

    oppo手机从哪里调色彩(oppo手机从哪下载软件)

  • 手机误订业务怎么取消(手机误订业务怎么办理)

    手机误订业务怎么取消(手机误订业务怎么办理)

  • 免税肉类主要品种目录
  • 计提本月附加税会计分录
  • 实际负税计算公式
  • 互助资金协会科目
  • 主营业务成本大于生产成本
  • 财务报表与分析课后答案
  • 上年结转未抵扣
  • 员工拓展活动方案范文
  • 个人劳务费 税
  • 车辆购置税完税证明网上打印
  • 营改增后个人所得税计税依据实例
  • 职工福利费计提比例一般是多少
  • 需要月报的税收项目
  • 销售新的固定资产怎么算
  • 代扣代缴个人所得税手续费是否缴纳增值税
  • 公司自用房屋怎样交税
  • 为什么电脑上找不到蓝牙耳机
  • 滞纳金账务处理
  • 计提法定盈余公积转入利润分配
  • 机票改签费要开发票吗
  • 研发费用领用材料
  • 计提的利息收入交所得税吗
  • 销项税月底还是年底结0
  • 一寸照片尺寸是几乘几
  • win10ie浏览器没有internet选项
  • 设备维修费增值税
  • 衍生金融资产属于投资性资产吗
  • 费用报销单正确填写格式
  • linux服务器nfs安装
  • 企业常见的涉税风险
  • 其他债权投资按公允价值计量,为什么计提减值准备知乎
  • 汉字转拚音
  • php微信公众号开发框架
  • 魔改toolbox
  • cjzc框架
  • php ffi
  • 出口退税后发生退货怎么处理
  • 政府补贴流程
  • 出口发票已经抵扣认证怎么办
  • 投资性房地产的后续计量
  • 哪些人需要进行个人所得税年度汇算
  • 小企业会计准则和一般企业会计准则的区别
  • 备案办税人员信息是谁
  • 开红字发票需要做收回原发票吗?
  • 销售返利的会计分录 东奥
  • 专用发票不抵扣联可以当普票用吗?
  • 广告费和业务宣传费
  • 用友反结账怎么操作
  • 应收账款入账价值包括现金折扣吗
  • 企业退款给个人多久到账
  • 应付账款与应付票据结合的原则
  • 固定资产折旧方法的选择
  • 发票已经认证是什么意思
  • 本期缴纳上期应纳税额怎么算
  • 小规模纳税人可以抵税吗
  • 企业建账要求
  • 个人境外投资限制
  • 企业代购是什么意思
  • sqlserver数据库中表的类型有哪些
  • win7的系统在哪里打开
  • ubuntu禁用服务命令
  • 苹果macbook怎么切换系统
  • linux命令和命令之间用
  • 如何设置windows启动密码
  • ubuntu系统安装报错
  • mac电脑系统安装
  • 华硕fx80g装系统
  • win10更换登陆账号
  • mac如何自行检测硬盘信息
  • linux 中断 处理
  • centos6.5升级到7.5
  • 更新win10后扬声器无声音
  • win8系统安装教程图解
  • js 数组取值
  • xbox无法连接无线网络
  • web直接打印
  • perl 时间转换
  • node.js中的http.request.end方法使用说明
  • 进出口贸易产品种类
  • 税务登记成功后在哪里查询
  • 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