欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Pytorch深度學習經(jīng)典卷積神經(jīng)網(wǎng)絡resnet模塊訓練

 更新時間：2022年05月12日 14:17:01   作者：淺念念52  
這篇文章主要介紹了Pytorch深度學習經(jīng)典卷積神經(jīng)網(wǎng)絡resnet模塊訓練，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

隨著深度學習的不斷發(fā)展，從開山之作Alexnet到VGG，網(wǎng)絡結(jié)構(gòu)不斷優(yōu)化，但是在VGG網(wǎng)絡研究過程中，人們發(fā)現(xiàn)隨著網(wǎng)絡深度的不斷提高，準確率卻沒有得到提高，如圖所示：

人們覺得深度學習到此就停止了，不能繼續(xù)研究了，但是經(jīng)過一段時間的發(fā)展，殘差網(wǎng)絡（resnet）解決了這一問題。

一、resnet

如圖所示：簡單來說就是保留之前的特征，有時候當圖片經(jīng)過卷積進行特征提取，得到的結(jié)果反而沒有之前的很好，所以resnet提出保留之前的特征，這里還需要經(jīng)過一些處理，在下面代碼講解中將詳細介紹。

二、resnet網(wǎng)絡結(jié)構(gòu)

本文將主要介紹resnet18

三、resnet18

1.導包

import torch
import torchvision.transforms as trans
import torchvision as tv
import torch.nn as nn
from torch.autograd import Variable
from torch.utils import data
from torch.optim import lr_scheduler

2.殘差模塊

這個模塊完成的功能如圖所示：

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

2.通道數(shù)翻倍殘差模塊

模塊完成功能如圖所示：

在這個模塊中，要注意原始圖像的通道數(shù)要進行翻倍，要不然后面是不能進行相加。

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

3.rensnet18模塊

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(512,10)
    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

這個網(wǎng)絡簡單來說16層卷積，1層全連接，訓練參數(shù)相對較少，模型相對來說比較簡單。

4.數(shù)據(jù)測試

model=resnet18().cuda()
input=torch.randn(1,3,64,64).cuda()
output=model(input)
print(output)

5.損失函數(shù)，優(yōu)化器

損失函數(shù)

loss=nn.CrossEntropyLoss()

在優(yōu)化器中，將學習率進行每10步自動衰減

opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)
exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)

在這里可以看一下對比圖，發(fā)現(xiàn)添加學習率自動衰減，loss下降速度會快一些，這說明模型擬合效果比較好。

6.加載數(shù)據(jù)集，數(shù)據(jù)增強

這里我們?nèi)匀贿x擇cifar10數(shù)據(jù)集，首先對數(shù)據(jù)進行增強，增加模型的泛華能力。

  transs=trans.Compose([
        trans.Resize(256),
        trans.RandomHorizontalFlip(),
        trans.RandomCrop(64),
        trans.ColorJitter(brightness=0.5,contrast=0.5,hue=0.3),
        trans.ToTensor(),
        trans.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
    ])

ColorJitter函數(shù)中brightness（亮度）contrast（對比度）saturation（飽和度）hue（色調(diào)）

加載cifar10數(shù)據(jù)集：

    train=tv.datasets.CIFAR10(
        root=r'E:\桌面\資料\cv3\數(shù)據(jù)集\cifar-10-batches-py',
        train=True,
        download=True,
        transform=transs
    )
    trainloader=data.DataLoader(
        train,
        num_workers=4,
        batch_size=8,
        shuffle=True,
        drop_last=True
    )

7.訓練數(shù)據(jù)

    for i in range(3):
        running_loss=0
        for index,data in enumerate(trainloader):
            x,y=data
            x=x.cuda()
            y=y.cuda()
            x=Variable(x)
            y=Variable(y)
            opt.zero_grad()
            h=model(x)
            loss1=loss(h,y)
            loss1.backward()
            opt.step()
            running_loss+=loss1.item()
            if index%100==99:
                avg_loos=running_loss/100
                running_loss=0
                print("avg_loss",avg_loos)

8.保存模型

torch.save(model.state_dict(),'resnet18.pth')

9.加載測試集數(shù)據(jù)，進行模型測試

首先加載訓練好的模型

model.load_state_dict(torch.load('resnet18.pth'),False)

讀取數(shù)據(jù)

 test = tv.datasets.ImageFolder(
        root=r'E:\桌面\資料\cv3\數(shù)據(jù)',
        transform=transs,
    )
    testloader = data.DataLoader(
        test,
        batch_size=16,
        shuffle=False,
    )

測試數(shù)據(jù)

acc=0
total=0
    for data in testloader:
        inputs,indel=data
        out=model(inputs.cuda())
        _,prediction=torch.max(out.cpu(),1)
        total+=indel.size(0)
        b=(prediction==indel)
        acc+=b.sum()
    print("準確率%d %%"%(100*acc/total))

四、resnet深層對比

上面提到VGG網(wǎng)絡層次越深，準確率越低，為了解決這一問題，才提出了殘差網(wǎng)絡（resnet），那么在resnet網(wǎng)絡中，到底會不會出現(xiàn)這一問題。

如圖所示：隨著，訓練層次不斷提高，模型越來越好，成功解決了VGG網(wǎng)絡的問題，到現(xiàn)在為止，殘差網(wǎng)絡還是被大多數(shù)人使用。

以上就是Pytorch深度學習經(jīng)典卷積神經(jīng)網(wǎng)絡resnet模塊訓練的詳細內(nèi)容，更多關(guān)于卷積神經(jīng)網(wǎng)絡resnet模塊訓練的資料請關(guān)注腳本之家其它相關(guān)文章！

相關(guān)文章

最新評論