[人工智能]2_训练分类器

必须处理图像，文本，音频或视频数据时，可以使用将数据加载到 NumPy 数组中的标准 Python 包。 然后，可以将该数组转换为torch.*Tensor。

专门针对视觉，创建了一个名为torchvision的包，其中包含用于常见数据集（例如 Imagenet，CIFAR10，MNIST 等）的数据加载器，以及用于图像（即torchvision.datasets和torch.utils.data.DataLoader）的数据转换器。

以下使用 CIFAR10 数据集。 它具有以下类别：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”。 CIFAR-10 中的图像尺寸为3x32x32，即尺寸为32x32像素的 3 通道彩色图像。

? ? ? ? ?

?训练图像分类器的步骤：

1.使用torchvision加载并标准化 CIFAR10 训练和测试数据集

2.定义卷积神经网络

3.定义损失函数

4.训练网络

5.测试网络

过程：

1.加载数据

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,#kaggle里面有的数据集，直接加载就可以
                                        download=True, transform=transform)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)
#通过影响数据加载速度，从而影响训练速度，代表CPU数量，GPU每次训练完都可以直接从CPU中取到next batch的数据

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

展示一些训练图像

import matplotlib.pyplot as plt
import numpy as np

def imshow(img):
    '''
    img 格式： channels,imageSize,imageSize
    imshow需要格式：imageSize,imageSize,channels
    np.transpose 转换数组
    '''
    img = img / 2 + 0.5     # 反归一化。因为归一话的时候是先减去平均值0.5 ，然后再除以标准偏差0.5
                            #那么反归一化就是先乘以0.5，再加0.5。
    npimg = img.numpy()#将torch.FloatTensor 转换为numpy
    plt.imshow(np.transpose(npimg, (1, 2, 0)))#调整图片格式，将npimg的数据格式由（channels,imagesize,imagesize）转化为（imagesize,imagesize,channels）,进行格式的转换后方可进行显示。
    plt.show()

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

?