利用pytorch实现对CIFAR-10数据集的分类
步骤如下：
1.使用torchvision加载并预处理CIFAR-10数据集、
2.定义网络
3.定义损失函数和优化器
4.训练网络并更新网络参数
5.测试网络
运行环境：
windows+python3.6.3+pycharm+pytorch0.3.0
importtorchvisionastv
importtorchvision.transformsastransforms
importtorchast
fromtorchvision.transformsimportToPILImage
show=ToPILImage()#把Tensor转成Image，方便可视化
importmatplotlib.pyplotasplt
importtorchvision
importnumpyasnp
###############数据加载与预处理
transform=transforms.Compose([transforms.ToTensor(),#转为tensor
transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5)),#归一化
])
#训练集
trainset=tv.datasets.CIFAR10(root='/pythonprojects/test/data/',
train=True,
download=True,
transform=transform)
trainloader=t.utils.data.DataLoader(trainset,
batch_size=4,
shuffle=True,
num_workers=0)
#测试集
testset=tv.datasets.CIFAR10(root='/pythonprojects/test/data/',
train=False,
download=True,
transform=transform)
testloader=t.utils.data.DataLoader(testset,
batch_size=4,
shuffle=True,
num_workers=0)
classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
(data,label)=trainset[100]
print(classes[label])
show((data+1)/2).resize((100,100))
#dataiter=iter(trainloader)
#images,labels=dataiter.next()
#print(''.join('11%s'%classes[labels[j]]forjinrange(4)))
#show(tv.utils.make_grid(images+1)/2).resize((400,100))
defimshow(img):
img=img/2+0.5
npimg=img.numpy()
plt.imshow(np.transpose(npimg,(1,2,0)))
dataiter=iter(trainloader)
images,labels=dataiter.next()
print(images.size())
imshow(torchvision.utils.make_grid(images))
plt.show()#关掉图片才能往后继续算
#########################定义网络
importtorch.nnasnn
importtorch.nn.functionalasF
classNet(nn.Module):
def__init__(self):
super(Net,self).__init__()
self.conv1=nn.Conv2d(3,6,5)
self.conv2=nn.Conv2d(6,16,5)
self.fc1=nn.Linear(16*5*5,120)
self.fc2=nn.Linear(120,84)
self.fc3=nn.Linear(84,10)
defforward(self,x):
x=F.max_pool2d(F.relu(self.conv1(x)),2)
x=F.max_pool2d(F.relu(self.conv2(x)),2)
x=x.view(-1,16*5*5)
x=F.relu(self.fc1(x))
x=F.relu(self.fc2(x))
x=self.fc3(x)
returnx
net=Net()
print(net)
#############定义损失函数和优化器
fromtorchimportoptim
criterion=nn.CrossEntropyLoss()
optimizer=optim.SGD(net.parameters(),lr=0.01,momentum=0.9)
##############训练网络
fromtorch.autogradimportVariable
importtime
start_time=time.time()
forepochinrange(2):
running_loss=0.0
fori,datainenumerate(trainloader,0):
#输入数据
inputs,labels=data
inputs,labels=Variable(inputs),Variable(labels)
#梯度清零
optimizer.zero_grad()
outputs=net(inputs)
loss=criterion(outputs,labels)
loss.backward()
#更新参数
optimizer.step()
#打印log
running_loss+=loss.data[0]
ifi%2000==1999:
print('[%d,%5d]loss:%.3f'%(epoch+1,i+1,running_loss/2000))
running_loss=0.0
print('finishedtraining')
end_time=time.time()
print("Spendtime:",end_time-start_time)
以上这篇利用pytorch实现对CIFAR-10数据集的分类就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。