Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實踐
更新時間：2022年05月12日 14:01:56 作者：淺念念52
這篇文章主要為大家介紹了Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實踐，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
前言
上篇文章，講了經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)-resnet，這篇文章通過resnet網(wǎng)絡(luò)，做一些具體的事情。
一、技術(shù)介紹
總的來說，第一步首先要加載數(shù)據(jù)集，對數(shù)據(jù)進行一些處理，第二步，調(diào)整學習率一些參數(shù)，訓練好resnet網(wǎng)絡(luò)模型，第三步輸入圖片或者視頻通過訓練好的模型，得到結(jié)果。
二、實現(xiàn)途徑
1.加載數(shù)據(jù)集，對數(shù)據(jù)進行處理，加載的圖片是（N,C,H,W ）對圖片進行處理成（C,H,W），通過圖片名稱獲取標簽，進行分類。
train_paper=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\train\paper'
train_rock=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\train\rock'
train_scissors=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\train\scissors'
test_paper=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\test\paper'
test_rock=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\test\rock'
test_scission=r'E:\桌面\資料\cv3\數(shù)據(jù)集\罰拳_公開\test\scissors'
Batch_files=10
transs=trans.Compose([
trans.ToTensor(),
trans.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
])
def read_img(batch_files):
images=[]
labels=[]
for file in batch_files:
image=Image.open(file)
image=image.convert('RGB')
image=image.resize((64,64))
tensor=transs(image)
images.append(tensor)
if 'rock' in file :
labels.append(torch.tensor(0,dtype=torch.int64))
if 'paper' in file:
labels.append(torch.tensor(1,dtype=torch.int64))
if 'scissors' in file:
labels.append(torch.tensor(2,dtype=torch.int64))
return images,labels
if __name__ == '__main__':
2.寫入resnet模型：
這里用的是resnet18
class tiao(nn.Module):
def __init__(self,shuru,shuchu):
super(tiao, self).__init__()
self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuchu,kernel_size=(3,3),padding=(1,1))
self.bath=nn.BatchNorm2d(shuchu)
self.relu=nn.ReLU()
def forward(self,x):
x1=self.conv1(x)
x2=self.bath(x1)
x3=self.relu(x2)
x4=self.conv1(x3)
x5=self.bath(x4)
x6=self.relu(x5)
x7=x6+x
return x7
class tiao2(nn.Module):
def __init__(self,shuru):
super(tiao2, self).__init__()
self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(3,3),stride=(2,2),padding=(1,1))
self.conv11=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(1,1),stride=(2,2))
self.batch=nn.BatchNorm2d(shuru*2)
self.relu=nn.ReLU()
self.conv2=nn.Conv2d(in_channels=shuru*2,out_channels=shuru*2,kernel_size=(3,3),stride=(1,1),padding=(1,1))
def forward(self,x):
x1=self.conv1(x)
x2=self.batch(x1)
x3=self.relu(x2)
x4=self.conv2(x3)
x5=self.batch(x4)
x6=self.relu(x5)
x11=self.conv11(x)
x7=x11+x6
return x7
class resnet18(nn.Module):
def __init__(self):
super(resnet18, self).__init__()
self.conv1=nn.Conv2d(in_channels=3,out_channels=64,kernel_size=(7,7),stride=(2,2),padding=(3,3))
self.bath=nn.BatchNorm2d(64)
self.relu=nn.ReLU()
self.max=nn.MaxPool2d(2,2)
self.tiao1=tiao(64,64)
self.tiao2=tiao(64,64)
self.tiao3=tiao2(64)
self.tiao4=tiao(128,128)
self.tiao5=tiao2(128)
self.tiao6=tiao(256,256)
self.tiao7=tiao2(256)
self.tiao8=tiao(512,512)
self.a=nn.AdaptiveAvgPool2d(output_size=(1,1))
self.l=nn.Linear(512,3)
def forward(self,x):
x1=self.conv1(x)
x2=self.bath(x1)
x3=self.relu(x2)
x4=self.tiao1(x3)
x5=self.tiao2(x4)
x6=self.tiao3(x5)
x7=self.tiao4(x6)
x8=self.tiao5(x7)
x9=self.tiao6(x8)
x10=self.tiao7(x9)
x11=self.tiao8(x10)
x12=self.a(x11)
x13=x12.view(x12.size()[0],-1)
x14=self.l(x13)
return x14
第三步：調(diào)用讀取數(shù)據(jù)函數(shù)，讀取數(shù)據(jù)，打亂，開始訓練：
train_rock=[os.path.join(train_rock,file) for file in os.listdir(train_rock)]
train_paper= [os.path.join(train_paper, file) for file in os.listdir(train_paper)]
train_scissors = [os.path.join(train_scissors, file) for file in os.listdir(train_scissors)]
test_rock=[os.path.join(test_rock,file) for file in os.listdir(test_rock)]
test_paper=[os.path.join(test_paper,file) for file in os.listdir(test_paper)]
test_scission=[os.path.join(test_scission,file) for file in os.listdir(test_scission)]
train=train_rock+train_paper+train_scissors
test=test_rock+test_paper+test_scission
random.shuffle(train)
random.shuffle(test)
model=resnet18().cuda()
opt = torch.optim.ASGD(model.parameters(), lr=0.001, weight_decay=0.8)
loss = nn.CrossEntropyLoss()
print("開始訓練")
第四步：訓練模型，完成后保存模型：
for i in range(5):
running_loss=0
for index in range(0,len(train),Batch_files):
images,labels=read_img(train[index:index+Batch_files])
inputs=torch.stack(images,0).cuda()
labels=torch.stack(labels,0).cuda()
inputs, labels = Variable(inputs), Variable(labels)
opt.zero_grad()
h=model(inputs)
loss1=loss(h,labels)
loss1.backward()
opt.step()
running_loss+=loss1.item()
if index%41==40:
avg_loos=running_loss/41
running_loss=0
print('avg_loss',avg_loos)
if index%101==99:
test_files=random.sample(test,100)
test_image,test_label=read_img(test_files)
test_images=torch.stack(test_image,0).cuda()
test_labels=torch.stack(test_label,0).cuda()
test_h=model(test_images)
_,prediction=torch.max(test_h.data,1)
total=test_labels.size(0)
correct=(prediction==test_labels).sum()
print('100張測試集準確率%d %%'%(100*correct/total))
torch.save(model.state_dict(),'resnet_caiq猜拳.pth')
第五步：加載模型，進行測試：
model.load_state_dict(torch.load('resnet_caiq猜拳.pth'))
labels={0:'rock',1:'paper',2:'scissors'}
images=[]
image=Image.open(r'E:\桌面\1.png')
image=image.convert('RGB')
image=image.resize((64,64))
image=transs(image)
images.append(image)
image= torch.stack(images, 0).cuda()
label=model(image)
_,prediction=torch.max(label.data,1)
print("預測類別",labels[prediction.item()])
三、總結(jié)
本文只是簡單介紹了，通過pytorch訓練resnet模型。調(diào)用訓練好的模型，對圖片，視頻，攝像頭進行檢測。
本文只是簡單對圖片進行檢測，得到預測結(jié)果。
在這里運用了resnet18模型進行訓練，其實還有更好的模型，得到更好的訓練結(jié)果。
在目標檢測領(lǐng)域，最著名的是YOLO，檢測速度非常快，在實時檢測領(lǐng)域很受歡迎，在一些游戲上，可以通過YOLO腳本，實現(xiàn)自動鎖定，追蹤之類的，比如現(xiàn)在歡迎的吃雞游戲，玩家通過腳本，實現(xiàn)自動識別人，進行射擊操作。在yolov3中，作者提到過yolo已經(jīng)運用到軍事中，出于道德層面的考慮，作者暫停了yolo的更新，在這之后v4，v5，v6以及之后的版本都是一些大佬接棒的。
在實時檢測中，現(xiàn)在AI在一些方面已經(jīng)超越人類了，在準確率上雖然人腦的高層次演繹歸納能力是遠勝于AI的，但是在低級信息處理速度和精確度上，人類就很難比得過專精某個功能的AI了。
以上就是Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實踐的詳細內(nèi)容，更多關(guān)于卷積神經(jīng)網(wǎng)絡(luò)resent的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
python生成器，可迭代對象，迭代器區(qū)別和聯(lián)系
這篇文章主要介紹了python生成器，可迭代對象，迭代器區(qū)別和聯(lián)系，通過對比用法讓大家更加深入理解相關(guān)知識，需要的朋友參考學習下吧。2018-02-02
在前面的文章中，我有分享到 vue+drf+第三方滑動驗證碼接入的實現(xiàn)，本文將要分享的是基于 python 實現(xiàn)原生的登錄驗證碼,需要的朋友可以參考一下2021-10-10
Python辦公自動化解決world文件批量轉(zhuǎn)換
本文分享如何用 Python 來讀取 Word、寫入 Word、將 Word 轉(zhuǎn)換為 pdf。學會之后，如果遇到大量 Word 文件需要處理的時候，就不慌了2021-09-09
這篇文章主要介紹了Python實現(xiàn)異步IO的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-11-11
Python編程實現(xiàn)小姐姐跳舞并生成詞云視頻示例
本文用Python做了一個詞云視頻，以另一種角度來看小姐姐跳舞視頻左半部分是小姐姐跳舞視頻，右半部分是根據(jù)動作生成的的詞云視頻，有需要的朋友可以借鑒參考下2021-10-10
這篇文章主要介紹了PyTorch的Debug的相關(guān)資料,幫助大家更好的理解和學習使用PyTorch，感興趣的朋友可以了解下2021-05-05
今天小編就為大家分享一篇python3中rank函數(shù)的用法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了Python datetime模塊使用方法小結(jié),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-06-06
python一行sql太長折成多行并且有多個參數(shù)的方法
今天小編就為大家分享一篇python一行sql太長折成多行并且有多個參數(shù)的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
本文主要介紹了VsCode終端激活anconda環(huán)境問題解決,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2024-01-01