Pytorch深度学习之实现病虫害图像分类_开发_开发者

开发者 https://www.devze.com 2022-12-07 11:15 出处：网络作者： masterHu_

目录一、pytorch框架1.1、概念1.2、机器学习与深度学习的区别1.3、在python中导入pytorch成功截图二、数据集三、代码复现3.1、导入第三方库3.2、CNN代码3.3、测试代码四、训练结果4.1、LO编程客栈SS损失函数4.2、 AC

一、pytorch框架

1.1、概念

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：

1、具有强大的GPU加速的张量计算（如NumPy）。

2、包含自动编程客栈求导系统的深度神经网络。

1.2、机器学习与深度学习的区别

两者之间区别很多，在本篇博客中只简单描述一部分。以图片的形式展现。

前者为机器学习的过程。

后者为深度学习的过程。

Pytorch深度学习之实现病虫害图像分类

1.3、在python中导入pytorch成功截图

Pytorch深度学习之实现病虫害图像分类

二、数据集

本次实验使用的是coco数据集中的植物病虫害数据集。分为训练文件Traindata和测试文件TestData.，

TrainData有9种分类，每一种分类有100张图片。

TestData有9中分类，每一种分类有10张图片。

在我下一篇博客中将数据集开源。

下面是我的数据集截图：

Pytorch深度学习之实现病虫害图像分类

三、代码复现

3.1、导入第三方库

import torch
from torch.utils.data import Dataset, DataLoader
import numpy as np
import matplotlib
import os
import cv2
from PIL import Image
import torchvision.transforms as transforms
import torch编程客栈.optim as optim
from torch编程客栈.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
from Test.CNN import Net
import json
from Test.train_data import Mydataset,pad_image

3.2、CNN代码

# 构建神经网络
class Net(nn.Module):#定义网络模块
    def __init__(self):
        super(Net, self).__init__()
        # 卷积，该图片有3层，6个特征，长宽均为5*5的像素点，每隔1步跳一下
        self.conv1 = nn.Conv2d(3, 6, 5)
        #//(conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
        self.pool = nn.MaxPool2d(2, 2)#最大池化
        #//(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
        self.conv2 = nn.Conv2d(6, 16, 5)#卷积
        #//(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
        self.fc1 = nn.Linear(16*77*77, 120)#全连接层，图片的维度为16，
        #(fc1): Linear(in_features=94864, out_features=120, bias=True)
        self.fc2 = nn.Linear(120, 84)#全连接层,输入120个特征输出84个特征
        self.fc3 = nn.Linear(84, 7)#全连接层，输入84个特征输出7个特征
 
   def forward(self, x):
        print("x.shape1: ", x.shape)
        x = self.pool(F.relu(self.conv1(x)))
        print("x.shape2: ", x.shape)
        x = self.pool(F.relu(self.conv2(x)))
        print("x.shape3: ", x.shape)
        x = x.view(-1, 16*77*77)
        print("x.shape4: ", x.shape)
        x = F.relu(self.fc1(x))
        print("x.shape5: ", x.shape)
        x = F.relu(self.fc2(x))
        print("x.shape6: ", x.shape)
        x = self.fc3(x)
        print("x.shape7: ", x.shape)
        return x

3.3、测试代码

img_path = "TestData/test_data/1/Apple2 (1).jpg" #使用相对路径
image = Image.open(img_path).convert('RGB')
image_pad = pad_image(image, (320, 320))
input = transform(image_pad).to(device).unsqueeze(0)
output = F.softmax(net(input), 1)
_, predicted = torch.max(output, 1)
score = float(output[0][predictedhttp://www.cppcns.com]*100)
print(class_map[predicted], " ", str(score)+" %")
plt.imshow(image_pad) # 显示图片