男生做污污的网站港海建设网站

男生做污污的网站,港海建设网站,国外企业合作的网站,造一个官方网站#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 文章目录1. 简介2. 环境3. 数据集介绍4. 代码实现4.1 前期准备4.1.1 导入库 GPU设置4.1.2 数据下载和数据集划分4.1.3 数据可视化4.2 模型构建4.3 模型训… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊文章目录1. 简介2. 环境3. 数据集介绍4. 代码实现4.1 前期准备4.1.1 导入库 GPU设置4.1.2 数据下载和数据集划分4.1.3 数据可视化4.2 模型构建4.3 模型训练4.3.1 设置超参数 编写训练和测试函数4.3.2 正式训练5. 结果可视化1. 简介利用Pytorch构建CNN模型以用于识别彩色图片2. 环境语言环境Python 3.12.7编译器Jupyter Notebook深度学习环境torch—2.8.0 cu126 / torchvision—0.23.1cu1263. 数据集介绍CIFAR-10数据集又称加拿大高等研究院数据集是一个常用于训练机器学习和计算机视觉算法的图像集合。它是最广泛使用的机器学习研究数据集之一。CIFAR-10数据集包含60,000张32×32像素的彩色图像分为10个不同的类别。4. 代码实现4.1 前期准备4.1.1 导入库 GPU设置importtorchimporttorch.nnasnnimportmatplotlib.pyplotaspltimporttorchvisionimportnumpyasnpimporttorch.nn.functionalasFfromtorchinfoimportsummaryimportwarningsfromdatetimeimportdatetime warnings.filterwarnings(ignore)plt.rcParams[font.sans-serif][SimHei]plt.rcParams[axes.unicode_minus]Falseplt.rcParams[figure.dpi]100devicetorch.device(cudaiftorch.cuda.is_available()elsecpu)device4.1.2 数据下载和数据集划分先使用torchvision的datasets下载CIFAR10数据集并划分好训练集与测试集。train_dstorchvision.datasets.CIFAR10(data,trainTrue,transformtorchvision.transforms.ToTensor(),downloadTrue)test_dstorchvision.datasets.CIFAR10(data,trainFalse,transformtorchvision.transforms.ToTensor(),downloadTrue)然后使用DataLoader()加载数据并设置好基本的batch_size。batch_size32train_dltorch.utils.data.DataLoader(train_ds,batch_sizebatch_size,shuffleTrue)test_dltorch.utils.data.DataLoader(test_ds,batch_sizebatch_size)imgs,labelsnext(iter(train_dl))imgs.shape4.1.3 数据可视化使用transpose()对NumPy数组进行轴变换将轴的顺序从PyTorch存储图像的(C, H, W)格式转换为(H, W, C)格式使得数据格式更适合Matplotlib imshow() 函数可视化和处理。plt.figure(figsize(20,5))fori,imgsinenumerate(imgs[:20]):npimgimgs.numpy().transpose((1,2,0))plt.subplot(2,10,i1)plt.imshow(npimg,cmapplt.cm.binary)plt.axis(off)4.2 模型构建这个模型专门为32×32像素的CIFAR-10图像设计10个类别包含3个卷积层和2个全连接层。首先通过三个卷积层逐级提取图像特征第一层将RGB三通道转换为64个特征图第二层保持64个特征图进行深度特征提取第三层进一步扩展到128个特征图以捕获更复杂的模式每个卷积层后都使用2×2最大池化层逐步降低空间分辨率。然后网络将三维特征图展平为一维向量通过两个全连接层进行分类决策第一层将512维特征压缩到256维并应用ReLU激活函数第二层输出最终的10个类别分数。num_classes10classModel(nn.Module):def__init__(self):super().__init__()self.conv1nn.Conv2d(3,64,kernel_size3)self.pool1nn.MaxPool2d(kernel_size2)self.conv2nn.Conv2d(64,64,kernel_size3)self.pool2nn.MaxPool2d(kernel_size2)self.conv3nn.Conv2d(64,128,kernel_size3)self.pool3nn.MaxPool2d(kernel_size2)self.fc1nn.Linear(512,256)self.fc2nn.Linear(256,num_classes)defforward(self,x):xself.pool1(F.relu(self.conv1(x)))xself.pool2(F.relu(self.conv2(x)))xself.pool3(F.relu(self.conv3(x)))xtorch.flatten(x,start_dim1)xF.relu(self.fc1(x))xself.fc2(x)returnx modelModel().to(device)summary(model)4.3 模型训练4.3.1 设置超参数 编写训练和测试函数训练函数train在每个批次中执行前向传播计算预测值使用交叉熵损失评估误差通过反向传播计算梯度并利用SGD优化器更新模型参数同时统计训练准确率和损失测试函数test则在禁用梯度计算的模式下进行前向传播评估模型在验证集上的表现而不更新权重最终返回模型在测试数据上的平均准确率和损失两个函数共同构成了一个典型的有监督深度学习训练评估循环。loss_fnnn.CrossEntropyLoss()learn_rate1e-2opttorch.optim.SGD(model.parameters(),lrlearn_rate)deftrain(dataloader,model,loss_fn,optimizer):sizelen(dataloader.dataset)num_batcheslen(dataloader)train_loss,train_acc0,0forX,yindataloader:X,yX.to(device),y.to(device)predmodel(X)lossloss_fn(pred,y)optimizer.zero_grad()loss.backward()optimizer.step()train_acc(pred.argmax(1)y).type(torch.float).sum().item()train_lossloss.item()train_acc/size train_loss/num_batchesreturntrain_acc,train_lossdeftest(dataloader,model,loss_fn):sizelen(dataloader.dataset)num_batcheslen(dataloader)test_loss,test_acc0,0withtorch.no_grad():forimgs,targetindataloader:imgs,targetimgs.to(device),target.to(device)target_predmodel(imgs)lossloss_fn(target_pred,target)test_lossloss.item()test_acc(target_pred.argmax(1)target).type(torch.float).sum().item()test_acc/size test_loss/num_batchesreturntest_acc,test_loss4.3.2 正式训练epochs10train_loss[]train_acc[]test_loss[]test_acc[]forepochinrange(epochs):model.train()epoch_train_acc,epoch_train_losstrain(train_dl,model,loss_fn,opt)model.eval()epoch_test_acc,epoch_test_losstest(test_dl,model,loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template(Epoch:{:2d}, train_acc:{:.1f}%, train_loss:{:.3f}, test_acc:{:.1f}%, test_loss:{:.3f})print(template.format(epoch1,epoch_train_acc*100,epoch_train_loss,epoch_test_acc*100,epoch_test_loss))print(Done)5. 结果可视化current_timedatetime.now()epochs_rangerange(epochs)plt.figure(figsize(12,3))plt.subplot(1,2,1)plt.plot(epochs_range,train_acc,labelTraining Accuracy)plt.plot(epochs_range,test_acc,labelTest Accuracy)plt.legend(loclower right)plt.title(Training and Validation Accuracy)plt.xlabel(current_time)plt.subplot(1,2,2)plt.plot(epochs_range,train_loss,labelTraining Loss)plt.plot(epochs_range,test_loss,labelTest Loss)plt.legend(locupper right)plt.title(Training and Validation Loss)plt.show()