位置: IT常识 - 正文

机器学习——果蔬分类

编辑:rootadmin
一、选题的背景 为了实现对水果和蔬菜的分类识别,收集了香蕉、苹果、梨、葡萄、橙子、猕猴桃、西瓜、石榴、菠萝、芒果、黄瓜、胡萝卜、辣椒、洋葱、马铃薯、柠檬、番茄、萝卜、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、萝卜、玉米、甜玉米、红薯、辣椒粉、生姜、大蒜、豌豆、茄子共36种果蔬的图像。该项 ...

推荐整理分享机器学习——果蔬分类,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!

一、选题的背景

为了实现对水果和蔬菜的分类识别,收集了香蕉、苹果、梨、葡萄、橙子、猕猴桃、西瓜、石榴、菠萝、芒果、黄瓜、胡萝卜、辣椒、洋葱、马铃薯、柠檬、番茄、萝卜、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、萝卜、玉米、甜玉米、红薯、辣椒粉、生姜、大蒜、豌豆、茄子共36种果蔬的图像。该项目使用resnet18网络进行分类。

二、机器学习案例设计方案

1.本选题采用的机器学习案例(训练集与测试集)的来源描述

数据集来自百度AI studio平台(https://aistudio.baidu.com/aistudio/datasetdetail/119023/0),共包含36种果蔬,每一个类别包括100张训练图像,10张测试图像和10张验证图像。

2 采用的机器学习框架描述

本次使用的网络框架,主要用到了二维卷积、激活函数、最大池化、Dropout和全连接,下面将对搭建的网络模型进行解释。

首先是一个二维卷积层,输入通道数为3,输出通道数为100,卷积核大小是3*3,填充大小是1*1。输入通道数为3是因为这个是第一层卷积,输入的是RGB图像,具有三个通道,输出通道数量可以根据实际情况自定。填充是因为希望在卷积后,不要改变图像的尺寸。

在卷积层之后是一个RELU激活函数,如果不用激活函数,在这种情况下每一层输出都是上层输入的线性函数。容易验证,无论神经网络有多少层,输出都是输入的线性组合,与没有隐藏层效果相当。因此引入非线性函数作为激活函数,这样深层神经网络就有意义了(不再是输入的线性组合,可以逼近任意函数)。最早的想法是sigmoid函数或者tanh函数,输出有界,很容易充当下一层输入。

引入RELU激活函数有以下三个原因:

第一,采用sigmoid等函数,算激活函数时(指数运算),计算量大,反向传播求误差梯度时,求导涉及除法,计算量相对大,而采用Relu激活函数,整个过程的计算量节省很多。

第二,对于深层网络,sigmoid函数反向传播时,很容易就会出现梯度消失的情况(在sigmoid接近饱和区时,变换太缓慢,导数趋于0,这种情况会造成信息丢失),从而无法完成深层网络的训练。

第三,ReLu会使一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数的相互依存关系,缓解了过拟合问题的发生。

然后再跟一个二维卷积层,输入通道数应该和上一层卷积的输出通道数相同,所以设为100, 输出通道数同样根据实际情况设定,此处设为150,其他参数与第一层卷积相同。

后续每一个卷积层和全连接层后面都会跟一个RELU激活函数,所以后面不再叙述RELU激活函数层。

再之后添加一个2*2的最大池化层,该层用来缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性。

再经过三次卷积后,使用Flatten将二维Tensor拉平,变为一维Tensor,然后使用全连接层,通过多个全连接层后,使用dropout层随机删除一些结点,该方法可以有效的避免网络过拟合,在最后一个全连接层的输出对应需要分类的个数。

3.涉及到的技术难点与解决思路

下载的数据集没有划分训练集、测试集和验证集,需要自己写代码完成划分。在刚开始写代码的时候对于文件路径没有搞清楚,没有弄懂os.path.join方法如何使用,导致总是读取不到图像,并且代码还没有报错误正常运行结束,但是查看划分后的文件夹里没有数据。通过debug发现文件的路径出现问题,具体是windows下的/和\混用,导致不能正确的对路径进行处理。在排除问题后统一使用\\,最终问题得到解决。

三、机器学习的实现步骤

机器学习——果蔬分类

(1)划分数据集并进行缩放

1 import os 2 import glob 3 import random 4 import shutil 5 from PIL import Image 6 #对所有图片进行RGB转化,并且统一调整到一致大小,但不让图片发生变形或扭曲,划分了训练集和测试集 7 8 if __name__ == '__main__': 9 test_split_ratio = 0.05 #百分之五的比例作为测试集10 desired_size = 128 # 图片缩放后的统一大小11 raw_path = './raw'12 13 #把多少个类别算出来,包括目录也包括文件14 dirs = glob.glob(os.path.join(raw_path, '*'))15 #进行过滤,只保留目录,一共36个类别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 # 对每个类别单独处理22 23 #只保留类别名称24 path = path.split('/')[-1]25 print(path)26 #创建文件夹27 os.makedirs(f'train/{path}', exist_ok=True)28 os.makedirs(f'test/{path}', exist_ok=True)29 30 #原始文件夹当前类别的图片进行匹配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,因为要取出来验证集38 39 boundary = int(len(files)*test_split_ratio) # 训练集和测试集的边界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])#等比例缩放49 50 im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不会造成模糊51 52 new_im = Image.new("RGB", (desired_size, desired_size))53 54 #new_im在某个尺寸上更大,我们将旧图片贴到上面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)图像预处理

包括随即旋转、随机翻转、裁剪等,并进行归一化。

1 #图像预处理 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), # 旋转+/-10度10 transforms.RandomHorizontalFlip(), # 反转50%的图像11 transforms.Resize(40), # 调整最短边的大小12 transforms.CenterCrop(40), # 作物最长边13 transforms.ToTensor(),14 transforms.Normalize([0.485, 0.456, 0.406],15 [0.229, 0.224, 0.225])16 ])

1 #显示图像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)读取数据

1 batch_size = 642 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)构建CNN模型

#构建CNN模型

1 #构建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层 8 nn.ReLU(), 9 nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1),10 nn.ReLU(),11 nn.MaxPool2d(2, 2), #池化层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 #全连接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)训练网络

#训练网络

1 #训练网络 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 # 训练阶段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 # 验证阶段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 history27 28 model = to_device(CnnModel(), device)29 30 history=[evaluate(model, val_loader)]31 32 num_epochs = 10033 opt_func = torch.optim.Adam34 lr = 0.00135 36 history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func)

(6)绘制损失函数和准确率图

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)预测

1 #预测分类 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_report13 print(classification_report(y_true,y_pred,target_names=classes,digits=4))

(8)读取图片测试

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('预测结果为:',classes[pred.item()])16 return classes[pred.item()]17 18 predict('./raw/apple/Image_1.jpg')

四、总结

在本次课程设计中,使用深度学习的方法实现了果蔬的36分类,相对来说分类数量是比较多的,在训练了100个epoch以后,分类的准确率可以达到74.3%。通过对果蔬的分类,我明白了当训练集的图像数量较少时,可以采用数据增强对原始图像进行处理,获得更多的数据来增强网络的泛化能力,避免网络过拟合。数据增强的方法一般有随机翻转、随即旋转、随即裁剪、明暗变化、高斯噪声、椒盐噪声等。除此之外,对整个深度学习中图像分类的流程也有了一定的了解,从收集数据、对数据进行预处理、自己构建网络模型、训练网络到最后的预测结果,加深了对图像分类过程的理解。希望在以后的学习中,可以学习更多深度学习的方法和应用。

五、全部代码

1 import os 2 import glob 3 import random 4 import shutil 5 from PIL import Image 6 #对所有图片进行RGB转化,并且统一调整到一致大小,但不让图片发生变形或扭曲,划分了训练集和测试集 7 8 if __name__ == '__main__': 9 test_split_ratio = 0.05 #百分之五的比例作为测试集 10 desired_size = 128 # 图片缩放后的统一大小 11 raw_path = './raw' 12 13 #把多少个类别算出来,包括目录也包括文件 14 dirs = glob.glob(os.path.join(raw_path, '*')) 15 #进行过滤,只保留目录,一共36个类别 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 # 对每个类别单独处理 22 23 #只保留类别名称 24 path = path.split('/')[-1] 25 print(path) 26 #创建文件夹 27 os.makedirs(f'train/{path}', exist_ok=True) 28 os.makedirs(f'test/{path}', exist_ok=True) 29 30 #原始文件夹当前类别的图片进行匹配 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,因为要取出来验证集 38 39 boundary = int(len(files)*test_split_ratio) # 训练集和测试集的边界 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])#等比例缩放 49 50 im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不会造成模糊 51 52 new_im = Image.new("RGB", (desired_size, desired_size)) 53 54 #new_im在某个尺寸上更大,我们将旧图片贴到上面 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个GPU 91 os.environ["CUDA_VISIBLE_DEVICES"] = "1" 92 93 #图像预处理 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), # 旋转+/-10度102 transforms.RandomHorizontalFlip(), # 反转50%的图像103 transforms.Resize(40), # 调整最短边的大小104 transforms.CenterCrop(40), # 作物最长边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 #查看数据集的一个图像形状116 img, label = trainset[10]117 # print(img.shape)118 119 #显示图像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=trainset134 val_ds=valset135 test_ds=testset136 len(train_ds), len(val_ds), len(test_ds) 137 138 #读取数据139 batch_size = 64140 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 break152 153 154 155 torch.cuda.is_available()156 157 158 #选择GPU或CPU159 def get_default_device():160 if torch.cuda.is_available():161 return torch.device('cuda')162 else:163 return torch.device('cpu')164 165 #移动到所选的设备 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 #包装数据加载器以将数据移动到设备173 def __init__(self, dl, device):174 self.dl = dl175 self.device = device176 177 def __iter__(self):178 #将数据移动到设备后生成一批数据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*40194 output_size = 3195 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 #图像分类203 class ImageClassificationBase(nn.Module):204 def training_step(self, batch):205 images, labels = batch 206 out = self(images) # 生成预测207 loss = F.cross_entropy(out, labels) # 计算损失208 return loss209 210 def validation_step(self, batch):211 images, labels = batch 212 out = self(images) # 生成预测213 loss = F.cross_entropy(out, labels) # 计算损失214 acc = accuracy(out, labels) # 计算精度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() # 合并损失220 batch_accs = [x['val_acc'] for x in outputs]221 epoch_acc = torch.stack(batch_accs).mean() # 结合精度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 #构建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层235 nn.ReLU(),236 nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1),237 nn.ReLU(),238 nn.MaxPool2d(2, 2), #池化层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 #全连接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 # 将模型加载到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 break280 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 #训练网络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 # 训练阶段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 # 验证阶段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 history314 315 model = to_device(CnnModel(), device)316 317 318 history=[evaluate(model, val_loader)]319 num_epochs = 5320 opt_func = torch.optim.Adam321 lr = 0.001322 323 history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func)324 325 326 # # 绘制损失函数和准确率图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 #预测分类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_report365 print(classification_report(y_true,y_pred,target_names=classes,digits=4))366 367 # 读取图片进行预测368 import numpy as np369 from PIL import Image370 import matplotlib.pyplot as plt371 import torchvision.transforms as transforms372 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('预测结果为:',classes[pred.item()])383 return classes[pred.item()]384 385 predict('./raw/apple/Image_1.jpg')
本文链接地址:https://www.jiuchutong.com/zhishi/311775.html 转载请保留说明!

上一篇:Vue使用Serial连接串口(vue连接webapi)

下一篇:Python解释器有哪些种类

  • 淘宝个人主页访客记录查看方法是什么(淘宝个人主页访客记录)

    淘宝个人主页访客记录查看方法是什么(淘宝个人主页访客记录)

  • 如何用usb给笔记本充电(怎么用usb给笔记本充电)

    如何用usb给笔记本充电(怎么用usb给笔记本充电)

  • 小米mix2有红外遥控吗(小米mix2有红外嘛)

    小米mix2有红外遥控吗(小米mix2有红外嘛)

  • wps的页面设置在哪里(wps页面设置在哪里ppt)

    wps的页面设置在哪里(wps页面设置在哪里ppt)

  • qq实名认证可以改几次(qq实名认证可以绑定别人的银行卡吗)

    qq实名认证可以改几次(qq实名认证可以绑定别人的银行卡吗)

  • 华为荣耀30屏幕刷新率是多少(华为荣耀30屏幕朗读怎么关闭)

    华为荣耀30屏幕刷新率是多少(华为荣耀30屏幕朗读怎么关闭)

  • 抖音可以看到在线状态吗(抖音可以看到在哪里吗)

    抖音可以看到在线状态吗(抖音可以看到在哪里吗)

  • 电信卡只有2g网咋回事(电信卡只有2g网咋回事电话能打没有流量)

    电信卡只有2g网咋回事(电信卡只有2g网咋回事电话能打没有流量)

  • ipad各代上市时间(ipad所有型号上市顺序)

    ipad各代上市时间(ipad所有型号上市顺序)

  • 华为mate30左上角显示HD(华为mate30左上角的小洞)

    华为mate30左上角显示HD(华为mate30左上角的小洞)

  • 网页认证的WiFi怎么连接(网页认证的WiFi怎么破解)

    网页认证的WiFi怎么连接(网页认证的WiFi怎么破解)

  • 苹果11刷机有什么影响(苹果11刷机有什么用)

    苹果11刷机有什么影响(苹果11刷机有什么用)

  • 腾讯视频vip有什么用(腾讯视频VIP有什么好看的剧)

    腾讯视频vip有什么用(腾讯视频VIP有什么好看的剧)

  • 蓝牙耳机的麦克风在哪(蓝牙耳机的麦克风声音小怎么办)

    蓝牙耳机的麦克风在哪(蓝牙耳机的麦克风声音小怎么办)

  • 快手搜索别人别人知道吗(快手搜索对方)

    快手搜索别人别人知道吗(快手搜索对方)

  • 多亲ai手机能装微信吗(多亲ai手机怎么安装软件)

    多亲ai手机能装微信吗(多亲ai手机怎么安装软件)

  • ps怎么处理头发(ps怎么处理头发边缘模糊)

    ps怎么处理头发(ps怎么处理头发边缘模糊)

  • 苹果8splus屏幕多大尺寸(iphone8splus屏幕)

    苹果8splus屏幕多大尺寸(iphone8splus屏幕)

  • vivo卡片管理怎么添加(vivo 卡片)

    vivo卡片管理怎么添加(vivo 卡片)

  • oppo手机怎么分享网络(oppo手机怎么分屏)

    oppo手机怎么分享网络(oppo手机怎么分屏)

  • 苹果手机的airplay在哪里设置(苹果手机的airplay在哪里打开)

    苹果手机的airplay在哪里设置(苹果手机的airplay在哪里打开)

  • 触宝如何自己安装(触宝如何自己安装图片)

    触宝如何自己安装(触宝如何自己安装图片)

  • 360浏览器如何下载视频(360浏览器如何下载图片)

    360浏览器如何下载视频(360浏览器如何下载图片)

  • JAVA开发与运维(web生产环境部署)(java开发和运维)

    JAVA开发与运维(web生产环境部署)(java开发和运维)

  • 房屋赠与双方办理流程
  • 广告费的税前扣除是多少
  • 施工劳务企业要交增值税吗
  • 营改增后纳税人可以使用的发票种类有
  • 出口退税发票必须是专票吗
  • 现金盘亏无法查明原因计入什么科目
  • 一般纳税人核定征收申请条件
  • 收到上年多缴的企业所得税
  • 房地产自有资金投入
  • 环境评估费应计入什么科目
  • 增资导致丧失控制权
  • 未发货先开票怎么结转成本
  • 流动资产周转次数低说明什么
  • 贷款计提利息会计分录
  • 小规模纳税人开专票和普票的区别
  • 2017年7月1日通用机打发票能不能作为税收凭证?
  • 许可使用费怎么计算
  • 进口有退税吗最新政策
  • 商铺出租和转租
  • 贴现率与再贴现率计算机行业是好多
  • 应收出口退税属于哪个会计科目
  • 公司名下商品房卖给个人后房产税怎么交
  • 微软发布Windows 10正式版 新浪
  • 什么是商务接待与拜访
  • vcpkgsrv.exe是什么进程
  • PHP:preg_replace()的用法_PCRE正则函数
  • 怎么关闭win10搜索栏
  • beservice是什么进程
  • 潘塔纳尔湿地的成因
  • 深度学习之GPU显存与利用率 浅析小结
  • php验证电子邮件格式
  • 红字增值税专用发票信息表怎么填
  • 总部资产减值会考吗
  • vue项目如何启动运行
  • 前端yck
  • vue全家桶介绍
  • python字符串多行
  • 查询公司对公账户
  • phpcms视频教程
  • 免税农产品发票怎么抵扣申报
  • 公户直接转给私人账户违法么
  • java的基本类型的区别
  • 零售行业的销售额由什么决定
  • 如何计算债券实际收益
  • 销项税额是负数怎么做账
  • 建设工程施工管理
  • 用友t3财务通普及版如何开下年账
  • 工程结算与开票的关系
  • 班车租赁发票税率是多少
  • 在mysql中使用什么语句来查询数据
  • mysql的日志
  • linux彻底卸载软件
  • sql复制表的语句
  • 远程桌面安装
  • Ubuntu系统怎么设置双屏
  • Linux系统下findmnt命令使用全解
  • dllhost应用程序异常
  • win7能不能安装vs2019
  • windows8.1默认壁纸
  • linux spool
  • linux ora11g安装教程
  • linux怎么清除内存
  • linux系列
  • javascript数据结构与算法 pdf
  • [置顶] 《翻身称霸》
  • 【学习ARToolkit小记之初】 ARToolkit在VS2010(Win7 64位)下的配置及第一个开发程序的编译与运行
  • glsl 函数
  • vim安装ycm
  • js实现登录界面
  • jquery分页组件
  • centos7如何分区
  • 安全模式安卓
  • linux 监视器
  • vue switch组件
  • JQuery datepicker 用法详解
  • Python的requests网络编程包使用教程
  • 郑州地方税务局网站官网
  • 现在是一般纳税人,属于小规模发生的业务怎么开票
  • 不予处罚不予立案
  • 哈尔滨地税局电话
  • 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