PyTorch深度学习项目教程课件：猫狗图像分类.pptx

PyTorch深度学习项目教程猫狗图像分类IMAGECLASSIFICATION要点：监督学习、分类任务、多层感知机、数据增强

项目背景ProjectBackground要点：分类任务是深度学习的基本任务。问题：猫狗图像分类是一个经典的计算机视觉问题，目标是对给定的图像进行分类，判断图像中是猫还是狗。由于猫狗的相似性，将二者完全分开面临极大的挑战。解决：通过监督学习进行解决，即通过带标签的图像数据集来进行训练和评估模型。训练阶段，模型接收大量的猫狗图像作为输入，并对其进行学习，调整模型参数以最小化预测结果与真实标签之间的差异。评估阶段，使用另外的图像数据集对训练好的模型进行测试和验证其分类准确性。知识目标KnowledgeObjectives理解并应用PyTorch中DataSet类进行数据增强，以提高模型泛化能力学会使用torchstat工具包对模型的参数进行统计分析，以监控模型训练状态掌握logging工具包的使用，实现训练过程的日志记录与输出，便于模型调试与分析理解回归与分类任务的区别，并掌握分类任务中的关键算法学习和掌握Sigmoid与Softmax函数在不同分类任务中的应用能力目标AbilityGoals能够利用网络资源加载和处图像数据集，进行有效的数据预处理和增强。能够独立搭建并训练一个全连接神经网络模型，用于图像分类任务。能够运用日志记录和其他评估手段，对模型的性能进行监控和分析，提出改进策略素养目标ProfessionalAttainments培养项目化思维，养成项目开发的全局视角，合理规划项目进度增强自主学习能力，能够独立分析问题，寻找解决方案，并在项目中实践提升自我学习意识，通过本项目的学习，激发对监督学习数据集收集和构建的兴趣，主动寻找和应用更多的学习资源

目录任务1准备猫狗数据集任务2设计图像分类全连接网络任务3训练图像分类网络任务4应用分类网络推理更多图片任务5认识深度学习的主要任务

01任务1准备猫狗数据集

1.1数据集获取

1.2数据整理及划分对收集到的图像进行预处理：可以使用图像编辑软件进行裁剪、缩放、旋转、去除噪声等预处理操作可参见OpenCV类的教材书籍一般将数据集分为训练集、验证集和测试集3类，根据数据样本数量可以按照8:1:1、8:2:0或7:2:1等比例进行划分。训练集：用于训练模型验证集：用于在训练过程中判断模型是否收敛测试集：用于评估模型的性能本项目，首先创建train、val和test文件夹，在对应文件夹内再创建cat、dog等具体类别，如图所示。之后在对应的类别文件夹内放置相应类别图片，即可完成数据集的构建

1.3创建数据集类classDogCatDataset(Dataset):

def__init__(self,data_dir,transform=None):

“”“

分类任务的Dataset

:paramdata_dir:str,数据集所在路径

:paramtransform:torch.transform，数据预处理

”“”

self.label_name={“cat”:0,“dog”:1}#需要根据实际训练任务修改

self.data_info=self.get_img_info(data_dir)#data_info存储所有图片路径和标签，在DataLoader中通过index读取样本

self.transform=transform

def__getitem__(self,index):

path_img,label=self.data_info[index]

img=Image.open(path_img).convert(‘RGB’)#0~255

ifself.transformisnotNone:

img=self.transform(img)#在这里做transform，转为tensor等等

returnimg,label

def__len__(self):

returnlen(self.data_info)

defget_img_info(self,data_dir):

data_info=list()

forroot,dirs,_inos.walk(data_dir):

#遍历类别