基于pytorch搭建神经网络的花朵种类识别（深度学习）
基于pytorch搭建神经网络的花朵种类识别（深度学习）
文章目录 基于pytorch搭建神经网络的花朵种类识别（深度学习） 一．知识点 1.特征提取、神经元逐层判断 2.中间层（隐藏层） 3.学习权值、神经元进行运算 二、项目任务 1.数据集预处理操作 2.网络模型训练操作 3.预测种类操作 三、程序结构介绍 1.flower_function/定义函数程序 2.flower_dataset/数据集处理程序 3.flower_model网络模型训练程序 4.flower_forecast预测程序 四、程序内容说明 1.代码整洁操作说明 2.迁移学习 五、附录完整代码 1.flower_function/定义函数程序 2.flower_dataset/数据集处理程序 3.flower_model网络模型训练程序 4.flower_forecast预测程序项目源码网盘链接：https://pan.baidu.com/s/176-HRsaVQkiwTXK6KJg5Bw
提取码：0dng
项目码云链接： https://gitee.com/xian-polytechnic-university/python
一．知识点
1.特征提取、神经元逐层判断
2.中间层（隐藏层）
3.学习权值、神经元进行运算
返向传递：将输出值与正确答案进行比较，将误差传递回输出层回去（叫梯度，pytorch自动完成），从而计算每个权值的最优值，去进行更改。
Pytorch核心：Autograd包（完成自动梯度计算及返向传递）
训练一个模型的时候需要返向传递，用的时候不需要
TensorFlow：
定义运算符、定义运算、定义梯度、开启对话框、注入数据、进行运算。
Pytorch：
初始化、进行运算（变调式便运算）
二、项目任务
基于 pytorch 搭建神经网络分类模型识别花的种类，输入一张花的照片，输出显示最有可能的前八种花的名称和该种花的照片。
操作过程如下：
1.数据集预处理操作
(1)读取数据集数据
(2)构建神经网络的数据集
1）数据增强：torchvision中transforms模块自带功能，将数据集中照片进行旋转、翻折、放大…得到更多的数据
2）数据预处理：torchvision中transforms也帮我们实现好了，直接调用即可
3）处理好的数据集保存在DataLoader模块中，可直接读取batch数据
2.网络模型训练操作
(1)迁移pytorch官网中models提供的resnet模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可以用人家训练好的权重参数来继续训练，也就是所谓的迁移学习
(2)选择GPU计算、选择训练哪些层、优化器设置、损失函数设置…
(3)训练全连接层，前几层都是做特征提取的，本质任务目标是一致的，前面的先不动，先训练最后一层全连接层
(4)再训练所有层
3.预测种类操作
(1)加载训练好的模型，模型保存的时候可以带有选择性，例如在验证集中如果当前效果好则保存
(2)设置检测图像的数据
(3)设置展示界面并进行预测
三、程序结构介绍
1.flower_function/定义函数程序
（在该程序中定义相关函数，以便在其他程序中进行调用）
图像增强（数据集预处理处理） 处理照片数据函数 检测照片预处理函数 展示一张照片函数
2.flower_dataset/数据集处理程序
读取数据集（训练集测试集）数据 构建神经网络的数据集
3.flower_model网络模型训练程序
冻结神经网络权重函数 修改全连接层函数（官方） 训练模型函数 加载并修改models中提供的resnet模型open 开始训练全连接层（0-19） 再继续训练所有层（0-9）
4.flower_forecast预测程序
冻结神经网络权重函数 修改全连接层函数 加载测试模型 设置检测图像数据 设置展示界面
四、程序内容说明
1.代码整洁操作说明
两行“”“”“open、”“”“”end封装的是该模块的程序 #是单行注释2.迁移学习
用相似的模型的权重初始化，修改全连接层，然后重新训练 pytorch->transforms->resnet->models
(1)一个文件程序写全部代码有两个问题：
1）功能分工不明确
2）每次都要重新跑训练网络
(2)模块化编程： 将功能函数分别放到不同的程序中，程序中相互调，可以分别进行功能测试
(3)模块化编程两种方式：
A中：
import B
B.function
A中：
from B import function
function
(4)注意import循环重载：
利用pycharm这种IDE进行模块化编程，多个.py文件相互import容易发生循环重载
先了解下import的原理：
例：A中importB，当顺序执行A，遇到相关数据需要调用B时，停止执行A，去执行B，B执行完了再执行A，如果A、B相互调用的话会报错
解决办法：
当A中importB，当B又需要调用A时，把需要的A中参数定义、函数定义在B中再写一遍
五、附录完整代码
1.flower_function/定义函数程序
import numpy as np import torch import matplotlib.pyplot as plt from PIL import Image from torchvision import transforms, models filename='checkpoint.pth' device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") """""""""""""""图像增强（数据集预处理处理）open""""""""""""""" #图像增强：将数据集中照片进行旋转、翻折、放大...得到更多的数据 #ImageFolder假设所有的文件按文件夹保存好，每个文件夹下面存贮同一类别的图片，文件夹的名字为分类的名字 data_transforms = { #data_transforms中指定了所有图像预处理操作,只需要修改训练集和验证集的名字后复制粘贴 'train': transforms.Compose([transforms.RandomRotation(45),#随机旋转，-45到45度之间随机选 transforms.CenterCrop(224),#从中心开始裁剪 transforms.RandomHorizontalFlip(p=0.5),#随机水平翻转 选择一个概率概率 transforms.RandomVerticalFlip(p=0.5),#随机垂直翻转 transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),#参数1为亮度，参数2为对比度，参数3为饱和度，参数4为色相 transforms.RandomGrayscale(p=0.025),#概率转换成灰度率，3通道就是R=G=B transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])#均值，标准差 ]), 'valid': transforms.Compose([transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), } """""""""""""""图像增强（数据集预处理处理）end""""""""""""""" """""""""""""""处理照片数据函数open""""""""""""""" #注意tensor的数据需要转换成numpy的格式，而且还需要还原回标准化的结果 def im_convert(tensor): image = tensor.to("cpu").clone().detach() image = image.numpy().squeeze() # 还原回h，w，c image = image.transpose(1, 2, 0) # 被标准化过了，还原非标准化样子 image = image * np.array((0.229, 0.224, 0.225)) + np.array((0.485, 0.456, 0.406)) image = image.clip(0, 1) return image """""""""""""""处理照片数据函数end""""""""""""""" """""""""""""""检测照片预处理函数open""""""""""""""" def process_image(image_path): # 读取测试数据 img = Image.open(image_path) # Resize,thumbnail方法只能进行缩小，所以进行了判断 if img.size[0] > img.size[1]: img.thumbnail((10000, 256)) else: img.thumbnail((256, 10000)) # Crop操作，再裁剪 left_margin = (img.width - 224) / 2 bottom_margin = (img.height - 224) / 2 right_margin = left_margin + 224 top_margin = bottom_margin + 224 img = img.crop((left_margin, bottom_margin, right_margin, top_margin)) # 相同的预处理方法 img = np.array(img) / 255 mean = np.array([0.485, 0.456, 0.406]) # provided mean std = np.array([0.229, 0.224, 0.225]) # provided std img = (img - mean) / std # 注意颜色通道应该放在第一个位置 img = img.transpose((2, 0, 1)) return img """""""""""""""检测照片预处理函数end""""""""""""""" """""""""""""""展示一张照片函数open""""""""""""""" def imshow(image, ax=None, title=None): """展示数据""" if ax is None: fig, ax = plt.subplots() # 颜色通道还原 image = np.array
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788相关知识
基于pytorch搭建ResNet神经网络用于花类识别
基于pytorch搭建VGGNet神经网络用于花类识别
基于pytorch搭建AlexNet神经网络用于花类识别
pytorch 花朵的分类识别
Deep Learning：基于pytorch搭建神经网络的花朵种类识别项目（内涵完整文件和代码）—超详细完整实战教程
基于深度学习和迁移学习的识花实践
【免费】基于pytorch的深度学习花朵种类识别项目完整教程（内涵完整文件和代码）
神经网络与深度学习
pytorch深度学习框架——实现病虫害图像分类
深度学习基于python+TensorFlow+Django的花朵识别系统
网址: 基于pytorch搭建神经网络的花朵种类识别（深度学习） https://m.huajiangbk.com/newsview737354.html
| 上一篇: 高分项目：基于yolov5的海棠 |
下一篇: 小学语文一年级第一学期期末复习试 |
