Bootstrap

12.04 深度学习-用CNN做图像分类+训练可视化

# 数据集要找对应功能的数据集 分类找分类 目标检测用目标检测的

# 使用labelimg 标注工具 要先pip 然后进行标注和保存 图片和 lables 应该在同一个文件夹里面  lables文件是一个txt 记录了分类 中心店坐标 高度宽度 都是归一化的 横坐标/图像宽度

# 使用labelme 进行图像分割的标注 生成一个json文件 里面有分割的点坐标没有标准化的 和路径等信息

# 分类 目标检测labelimg 目标分割labelme 不一

import torch

import os

import wandb

from torch import nn

from torch import optim

from torch.utils.data import DataLoader,TensorDataset

from torch.utils.tensorboard import SummaryWriter

from torchvision import transforms

from torchvision.utils import make_grid

from torchvision.models import vgg16

from torchvision.datasets import MNIST,ImageFolder # 训练集和验证集分开下 通过train 设置下载哪一个 并且用transforms.conpose 组合转换器可以有标准化 转tensor

current_path=os.path.dirname(__file__)

data_path=os.path.join(current_path,"datasets")

rel_path=os.path.relpath(data_path)

# print(rel_path)

# 定义神经网络 卷积 池化 全连接

def demo1():

#     wandb.init(

#     # set the wandb project where this run will be logged

#     project="CNN做图像分类测试", # 工程名

#     # track hyperparameters and run metadata

#     config={

#     "learning_rate": 0.01, # 模型的学习率

#     "architecture": "CNN", # 模型是CNN

#     "dataset": "MNIST", # 数据集名称

#     "epochs": 5,# 轮次

#     }

# )

    writer=SummaryWriter()

    class MyNet(nn.Module):

        def __init__(self, *args, **kwargs):

            super().__init__(*args, **kwargs)

            # 这里是可以看别人网路的图来指定网络  s代表池化 c代表卷积 layer代表线性

            self.hidden1=nn.Sequential(nn.Conv2d(1,6,kernel_size=5),nn.ReLU())

            self.hidden2=nn.Sequential(nn.MaxPool2d(kernel_size=2,stride=2))

            self.hidden3=nn.Sequential(nn.Conv2d(6,16,kernel_size=5),nn.ReLU())

            # 线性层要拉平算

            self.hidden4=nn.Sequential(nn.Linear(16*5*5,120),nn.ReLU())

            self.hidden5=nn.Sequential(nn.Linear(120,84),nn.ReLU())

            self.out=nn.Sequential(nn.Linear(84,10),nn.Softmax(dim=1))

        def forward(self,x):

            x=self.hidden1(x)

            x=self.hidden2(x)

            x=self.hidden3(x)

            x=self.hidden2(x)

            x=x.view(x.shape[0],-1)

            x=self.hidden4(x)

            x=self.hidden5(x)

            return self.out(x)

    # 定义一个转化器

    transforms1=transforms.Compose([transforms.ToTensor(),transforms.Resize((32,32))]) # transforms.Compose()方法为transforms组合转化器 里面传入一个列表 列表里面的元素是 transforms的转化器

    # 数据的获取

    data_train=MNIST(root=rel_path,train=True,transform=transforms1)

    # data_train分批次

    dataLoader1=DataLoader(data_train,batch_size=64,shuffle=True)

    # 循环轮次

    epochs=50

    # 实例化模型

    net1=MyNet()

    # 优化器

    optim1=optim.Adam(net1.parameters(),lr=0.01)

    # 损失函数

    loss_func=nn.CrossEntropyLoss()

    # 开始训练

    for i in range(epochs):

        for x_train,y_train in dataLoader1:

            # 前向传播

            y_pre=net1(x_train)

            # 损失

            loss=loss_func(y_pre,y_train)

            # 清空梯度

            optim1.zero_grad()

            # 反向

            loss.backward()

            # 梯度更新

            optim1.step()

        writer.add_scalar("loss", loss)

        for x in x_train:

            # writer.add_image(tag="epoch:{i}",img_tensor=x)

            # img_grid = make_grid(x)

            if i>3:

                writer.add_image(f"r_m_{i}_", x,global_step=1)

    writer.add_graph(net1,torch.rand(1,1,32,32))

    writer.close()

    #     wandb.log({"loss": loss}) # 登记

    # wandb.watch(net1, log="all", log_graph=True)

    # wandb.finish()



 

def demo2():

    # 使用自己其他地方下载的分类数据集 这个文件夹要满足一个结构 文件名

    data_train=ImageFolder()# 传入路径根路径 transform  is是否是验证集

    # 使用经典的模型 在torchvision.datasets 的model里面

    vgg=vgg16()

    pass

if __name__=="__main__":

    demo1()

    pass

;