[Python知识库]Python猫狗大战代码

Python分类实例之猫狗大战_ZHW_AI课题组的博客-CSDN博客

放在自己的设备上有哪些东西需要修改？

1.读取数据部分：getdata.py部分

dir表示你的数据集的上一级文件夹的位置，file表示你数据集文件的名字。

dir = dir + '/train/'：train部分要写你定义的数据集的名字。

这种情况：dir:D:\BaiduNetdiskDownload\train

file:train

?

name = file.split(sep='') ?

分隔符需要根据你的文件名修改：下列情况要使用name = file.split(sep='_') ?

?

?这个分隔符如果没有修改，保留name = file.split(sep='.')，对于文件名cat_1.jpg

根据代码所有的数据都被识别成狗，这样训练之后，测试集只有一种结果：所有图片都是狗。

 if name[0] == 'cat':
                    self.list_label.append(0)         # 图片为猫，label为0
                else:
                    self.list_label.append(1) 

?2.训练过程train.py

要根据存放的数据集的位置放置。

如果没有写清楚地址，会出现地址错误的报错。

dataset_dir = 'D:/BaiduNetdiskDownload/train' 

def train():
    datafile = DVCD('train', dataset_dir)  

要先设置一个文件夹存放模型：

model_cp是要存放模型文件（model.pth）的文件夹地址。

必须要在运行之前新建好文件夹，否则train的网络模型参数没有地方保存，出现找不到地址的错误。

model_cp = 'D:/BaiduNetdiskDownload/model' 

torch.save(model.state_dict(),'{0}/model.pth'.format(model_cp))            # 训练所有数据后，保存网络的参数

?

3.测试部分test.py同理：

注意测试集需要的地址是数据集文件夹的，不是数据集上一级文件夹。

files = random.sample(os.listdir(dataset_dir), N)

dataset_dir = 'D:/BaiduNetdiskDownload/test/test'   

model_file = 'D:/BaiduNetdiskDownload/model/model.pth'    

如果dataset_dir写成以上形式：

dataset_dir = 'D:/BaiduNetdiskDownload/test/test'   

注意：在这行代码中加入’/‘，否则地址名不完整，也会造成找不到文件的报错。

img = Image.open(dataset_dir + '/'+file) 

?因为原版代码：文件夹地址部分有’/‘，所以后续语句不用再加。

dataset_dir = './data/test/'  

?4.运行之后我的正确率大概只有50%。

所以我在network.py文件中加入了残差网络。

class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super(ResidualBlock, self).__init__()
        self.channels = channels
        self.conv1 = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
 
    def forward(self, x):
        y = F.relu(self.conv1(x))
        y = self.conv2(y)
        return F.relu(x + y)

?

def forward(self, x):                   # 重写父类forward方法，即前向计算，通过该方法获取网络输入数据后的输出值
        x = self.conv1(x)                   # 第一次卷积
        x = F.relu(x)                       # 第一次卷积结果经过ReLU激活函数处理
        x = F.max_pool2d(x, 2)              # 第一次池化，池化大小2×2，方式Max pooling
        x = self.rblock1(x)

        x = self.conv2(x)                   # 第二次卷积
        x = F.relu(x)                       # 第二次卷积结果经过ReLU激活函数处理
        x = F.max_pool2d(x, 2)              # 第二次池化，池化大小2×2，方式Max pooling
        x = self.rblock2(x)

        x = x.view(x.size()[0], -1)         # 由于全连层输入的是一维张量，因此需要对输入的[50×50×16]格式数据排列成[40000×1]形式
        x = F.relu(self.fc1(x))             # 第一次全连，ReLU激活
        x = F.relu(self.fc2(x))             # 第二次全连，ReLU激活
        y = self.fc3(x)                     # 第三次激活，ReLU激活

?

正确率在60%。?

?