基于深度学习的图像分类任务实现（一）线性分类器全连接人工神经网络分类器.pdfVIP

基于深度学习的图像分类任务实现 （⼀）线性分类器全连接⼈⼯神经⽹络分类器 实现多 对Cifar-10数据集的分类器，并⽐较其算法精度。要求基于PyTorch设计并实现四 分类器，并利⽤Cifar-10的测试集评估各分 类器的性能： 1.问题预处理 1.1Cifar-10数据集简介 CIFAR-10数据集包含airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck⼗个类别、其中每个类别有6000个 彩⾊图像。数据集中共有50000张训练图像和10000张测试图像且每个图⽚尺⼨为3×32×32。 1.2分类问题 分类问题就是寻找到输⼊和输出之间的关系判断输⼊数据属于的类别 （离散值），可以是⼆分类问题、也可以是多分类问题。 输出值不是简单地0、1、2、3、4、5、6、7、8、9，因为这些类别之间没有实数空间中数值⼤⼩的含义。输出的是概率P （0）、 P （1）、…P （9）。概率值最⼤的项就是预测的结果。 分类问题的求解过程如下图： 1.3创建图像分类器 在利⽤pytorch进⾏模型构造与训练时，总体思路分为四个阶段： 数据集准备、⽤类设计模型、构造损失函数和优化器、训练模型+测试。 如下图所⽰ 2.⽤pytorch的逻辑回归实现图像分类 我们使⽤逻辑回归模型，与线性回归模型类似，使⽤nn.Linear加载模型。 #导⼊包 import torch import torchvision from torch import nn from torchvision.transforms import transforms from torch.utils.data.dataloader import DataLoader import numpy as np #数据集导⼊ batch_size=64 #transforms 定义了⼀系列数据转化形式，并对数据进⾏预处理。 import torchvision.transforms as transforms transform=transforms.Compose([transforms. o ensor(), #传⼊数据转化成张量形式 transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))]) #均值 ⽅差为0.5 #dataset下载数据集 trainset=torchvision.datasets.CIFAR10(root=./data,train= rue,download= rue,transform=transforms. o ensor()) # root(string) 数据集的根⽬录在哪⾥ # train(bool, op tional) : 如果为True，则创建数据集training.p t，否则创建数据集test.p t。 # download(bool,op tional) : 如果为True，则从Internet下载数据集并将其放在根⽬录中，如果已下载数据集，则不会再次下载。 # transform(callable, op tional) : ⼀个函数/转化，它接受PI 图像并返回转换后的版本 # target_ transform(callable, op tional) : 接受⽬标并对其进⾏转换的函数 #dataloader将下载好的数据集分块作为模型的输⼊ trainloader=torch.utils.data.DataLoader(trainset, batch_size, shuffle= rue, num_workers=1) #dataset(dataset) : 输⼊的数据类型 #batch_ size(int) : 每次输⼊数据的⾏数，默认为1 #shuffle (bool) : 洗牌，默认设置为False。在每次迭代训练时是否将数据洗牌，默认设置为False， #将输⼊数据的顺序打乱，是为了使数据更有独⽴性。 #num_ workers(int) : ⼯作者数量，默认为0。使⽤多少个⼦进程来导⼊数据。 testset=torchvision.datasets.CIFAR10(root=./data,train=False,download= rue,transform=transforms. o ensor()) testloader=torch.utils.data.DataLoader(testset, batch_size, shuffle=False, num_workers=1)