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）

相关链接:：
超详细——CNN卷积神经网络教程（零基础到实战）
大白话pytorch基本知识点及语法+项目实战

项目所有文件网盘链接：提取码： 95wu

基于pytorch的深度学习花朵种类识别项目开源完整文件

整体思路介绍：

项目要求：

​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。

分三大步骤操作：

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
   

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

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

程序结构介绍：

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

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
  

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）
  

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
  

程序内容说明：

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

"""""""""""""""加载测试模型open"""""""""""""""
#加载模型
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)
......

"""""""""""""""加载测试模型end"""""""""""""""

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
pytorch官方transforms神经网络模型
(由于镜像在国外下载较慢，已经下载好了放在文件夹下)

模块化编程说明：

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

项目操作：

1、用pycharm或其他IDE需要配置python、pytorch环境

2、迁移学习的模型已经下载在文件中，不用重新下载

3、直接单独运行flower_forecast预测程序，可在设置检测图像数据模块中更换照片检测

4、如果想看神经网络搭建过程，直接运行flower_model网络模型训练程序

关于我学习神经网络的一些坑和一些建议：

1、神经网络是个黑盒子，只要不是深入研究，我们做工程性项目重点是用神经网络而不是从0搭建网络，重点是利用神经网络做工程性项目，没有必要搞懂里面每一步（之前踩的坑，又麻烦又浪费时间）！！！

2、简单学习CNN基本原理后，直接去网上找个注释写的相当详细的开源程序去读

3、用好迁移学习，即调用pyorch官网上已经训练好的相关模型，根据我们自己的项目重新训练

4、先把每段代码都写上功能注释（里面一些具体参数和步骤了解即可，一定要写，有助于理解复杂的神经网络流程），再试着动手调别人的网络模型，最后试着这套模板应用到别的项目（数据集）上
5、推荐B站上唐宇迪的课，讲的通俗易懂很详细
4天教会你深度学习|Opencv+PyTorch+CNN+Python入门到实战课程

大帅锅大漂亮都看到这了，点个赞再走吧！

关注博主，分享学习教程，一起HappyCodeing

附上完整代码：

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(image).transpose((1, 2, 0))

    # 预处理还原
    mean = np.array([0.485, 0.456, 0.406])
    std = np.array([0.229, 0.224, 0.225])
    image = std * image + mean
    image = np.clip(image, 0, 1)

    ax.imshow(image)
    ax.set_title(title)

    return ax
"""""""""""""""展示一张照片函数end"""""""""""""""

flower_dataset/数据集处理程序：

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#图像增强（数据集预处理处理）
from flower_function import data_transforms

"""""""""""""""读取训练集、测试集open"""""""""""""""

data_dir = './flower_data/'
train_dir = data_dir + '/train'
valid_dir = data_dir + '/valid'

"""""""""""""""读取训练集、测试集end"""""""""""""""


"""""""""""""""构建神经网络的数据集open"""""""""""""""
"""都存到dataloaders中"""

#batch_size是设置一次训练多少张照片
batch_size = 8 #设置越大需要的显存越大
#(os.path.join(data_dir, x), data_transforms[x])，（两个文件夹传进去，传入数据增强的数据）
image_datasets = {
    
    x: datasets.ImageFolder(os.path.join(data_dir, x), data_transforms[x]) for x in ['train', 'valid']}
dataloaders = {
    
    x: torch.utils.data.DataLoader(image_datasets[x], batch_size=batch_size, shuffle=True) for x in ['train', 'valid']}
dataset_sizes = {
    
    x: len(image_datasets[x]) for x in ['train', 'valid']}

#class_name 是训练集
class_names = image_datasets['train'].classes

"""
print(image_datasets)
print(dataloaders)
print(dataset_sizes)
"""

#数据集中类别按照123456...标号，文件是各标号对应的名称
with open('cat_to_name.json', 'r') as f:
    cat_to_name = json.load(f)
"""
print(cat_to_name) #打印标号集
"""

"""""""""""""""构建神经网络的数据集end"""""""""""""""


"""""""""""""""打印照片操作open"""""""""""""""
"""
fig=plt.figure(figsize=(20, 12))
columns = 4
rows = 2

dataiter = iter(dataloaders['valid'])
inputs, classes = dataiter.next()

#做图，print出来
for idx in range (columns*rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    ax.set_title(cat_to_name[str(int(class_names[classes[idx]]))])
    plt.imshow(im_convert(inputs[idx]))
plt.show()
"""
"""""""""""""""打印照片操作end"""""""""""""""

flower_model网络模型训练程序：

import os
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#神经网络数据集
from flower_dataset import dataloaders

filename='checkpoint.pth'


"""""""""""""""冻结神经网络权重函数open"""""""""""""""
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:                      #这里为true
        for param in model.parameters():
            param.requires_grad = False         #把除了最后全连接层，前面所有层权重冻结不能修改
"""""""""""""""冻结神经网络权重函数end"""""""""""""""


"""""""""""""""修改全连接层函数（官方）open"""""""""""""""
#（模型名字、得到类别个数、模型权重、
def initialize_model(model_name, num_classes, feature_extract, use_pretrained=True):
    # 选择合适的模型，不同模型的初始化方法稍微有点区别
    model_ft = None
    input_size = 0

    if model_name == "resnet":
        """ Resnet152
        """
        #加载模型（下载）
        model_ft = models.resnet152(pretrained=use_pretrained)
        #有选择性的选需要冻住哪些层
        set_parameter_requires_grad(model_ft, feature_extract)
        #取出最后一层
        num_ftrs = model_ft.fc.in_features
        #重新做全连接层（102这里需要修改，因为本任务分类类别是102）
        model_ft.fc = nn.Sequential(nn.Linear(num_ftrs, 102),
                                   nn.LogSoftmax(dim=1))
        input_size = 224

    elif model_name == "alexnet":
        """ Alexnet
        """
        model_ft = models.alexnet(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "vgg":
        """ VGG11_bn
        """
        model_ft = models.vgg16(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "squeezenet":
        """ Squeezenet
        """
        model_ft = models.squeezenet1_0(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        model_ft.classifier[1] = nn.Conv2d(512, num_classes, kernel_size=(1,1), stride=(1,1))
        model_ft.num_classes = num_classes
        input_size = 224

    elif model_name == "densenet":
        """ Densenet
        """
        model_ft = models.densenet121(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier.in_features
        model_ft.classifier = nn.Linear(num_ftrs, num_classes)
        input_size = 224

    elif model_name == "inception":
        """ Inception v3
        Be careful, expects (299,299) sized images and has auxiliary output
        """
        model_ft = models.inception_v3(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        # Handle the auxilary net
        num_ftrs = model_ft.AuxLogits.fc.in_features
        model_ft.AuxLogits.fc = nn.Linear(num_ftrs, num_classes)
        # Handle the primary net
        num_ftrs = model_ft.fc.in_features
        model_ft.fc = nn.Linear(num_ftrs,num_classes)
        input_size = 299

    else:
        print("Invalid model name, exiting...")
        exit()

    return model_ft, input_size
"""""""""""""""修改全连接层函数（官方）end"""""""""""""""


"""""""""""""""训练模型函数open"""""""""""""""
#得到并保存神经网络模型checkpoint.pth
#（模型，数据，损失函数，优化器
def train_model(model, dataloaders, criterion, optimizer, num_epochs=25, is_inception=False, filename=filename):
    since = time.time()
    #保存最好的准确率
    best_acc = 0
    """
    checkpoint = torch.load(filename)
    best_acc = checkpoint['best_acc']
    model.load_state_dict(checkpoint['state_dict'])
    optimizer.load_state_dict(checkpoint['optimizer'])
    model.class_to_idx = checkpoint['mapping']
    """
    #指定CPU做训练
    model.to(device)

    val_acc_history = []
    train_acc_history = []
    train_losses = []
    valid_losses = []
    LRs = [optimizer.param_groups[0]['lr']]

    #最好的一次存下来
    best_model_wts = copy.deepcopy(model.state_dict())

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # 训练和验证
        for phase in ['train', 'valid']:
            if phase == 'train':
                model.train()  # 训练
            else:
                model.eval()  # 验证

            running_loss = 0.0
            running_corrects = 0

            # 把数据都取个遍
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # 清零
                optimizer.zero_grad()
                # 只有训练的时候计算和更新梯度
                with torch.set_grad_enabled(phase == 'train'):
                    #resnet不执行这个
                    if is_inception and phase == 'train':
                        outputs, aux_outputs = model(inputs)
                        loss1 = criterion(outputs, labels)
                        loss2 = criterion(aux_outputs, labels)
                        loss = loss1 + 0.4 * loss2
                    else:  # resnet执行的是这里
                        outputs = model(inputs)
                        loss = criterion(outputs, labels)

                    _, preds = torch.max(outputs, 1)

                    # 训练阶段更新权重
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # 计算损失
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / len(dataloaders[phase].dataset)
            epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)

            time_elapsed = time.time() - since
            print('Time elapsed {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
            print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))

            # 得到最好那次的模型
            if phase == 'valid' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())
                state = {
    
    
                    'state_dict': model.state_dict(),
                    'best_acc': best_acc,
                    'optimizer': optimizer.state_dict(),
                }
                torch.save(state, filename)
            if phase == 'valid':
                val_acc_history.append(epoch_acc)
                valid_losses.append(epoch_loss)
                scheduler.step(epoch_loss)
            if phase == 'train':
                train_acc_history.append(epoch_acc)
                train_losses.append(epoch_loss)

        print('Optimizer learning rate : {:.7f}'.format(optimizer.param_groups[0]['lr']))
        LRs.append(optimizer.param_groups[0]['lr'])
        print()

    time_elapsed = time.time() - since
    print('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
    print('Best val Acc: {:4f}'.format(best_acc))

    # 训练完后用最好的一次当做模型最终的结果
    model.load_state_dict(best_model_wts)
    return model, val_acc_history, train_acc_history, valid_losses, train_losses, LRs
"""""""""""""""训练模型函数end"""""""""""""""



""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""


"""""""""""""""加载并修改models中提供的resnet模型open"""""""""""""""
"""直接用训练的好权重当做初始化参数"""
#可选的比较多 ['resnet', 'alexnet', 'vgg', 'squeezenet', 'densenet', 'inception']
model_name = 'resnet'

#是否用人家训练好的特征来做,true用人家权重
feature_extract = True

# 是否用GPU训练
train_on_gpu = torch.cuda.is_available()
if not train_on_gpu:
    print('CUDA is not available.  Training on CPU ...')
else:
    print('CUDA is available!  Training on GPU ...')
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

#设置哪些层需要训练
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)

#GPU计算
model_ft = model_ft.to(device) #device这里放置的是gpu

#模型保存
filename='checkpoint.pth'

# 是否训练所有层
params_to_update = model_ft.parameters()
print("Params to learn:")
if feature_extract:
    params_to_update = []
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            params_to_update.append(param)
            print("\t",name)
else:
    for name,param in model_ft.named_parameters():
        if param.requires_grad == True:
            print("\t",name)

#优化器设置
optimizer_ft = optim.Adam(params_to_update, lr=1e-2)   #lr学习率
#（传入优化器，迭代了多少后要变换学习率，学习率要*多少）
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)#学习率每7个epoch衰减成原来的1/10
#最后一层已经LogSoftmax()了，所以不能nn.CrossEntropyLoss()来计算了，nn.CrossEntropyLoss()相当于logSoftmax()和nn.NLLLoss()整合
#定义损失函数
criterion = nn.NLLLoss()
"""""""""""""""加载并修改models中提供的resnet模型end"""""""""""""""



"""""""""""""""开始训练全连接层（0-19）open"""""""""""""""
model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer_ft, num_epochs=20, is_inception=(model_name=="inception"))
"""""""""""""""开始训练全连接层（0-19）end"""""""""""""""

"""""""""""""""再继续训练所有层（0-9）open"""""""""""""""
for param in model_ft.parameters():
    param.requires_grad = True #所有层都变成true去训练

# 再继续训练所有的参数，学习率调小一点
optimizer = optim.Adam(params_to_update, lr=1e-4) #lr学习率变大一点
scheduler = optim.lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)

# 损失函数
criterion = nn.NLLLoss()

# 在之前训练好的层上再去做训练
checkpoint = torch.load(filename) #传入路径
best_acc = checkpoint['best_acc'] #当前最好的一次准确率
model_ft.load_state_dict(checkpoint['state_dict']) #模型当前结果读进来
optimizer.load_state_dict(checkpoint['optimizer'])
#model_ft.class_to_idx = checkpoint['mapping']

#调用函数，再训练一遍
model_ft, val_acc_history, train_acc_history, valid_losses, train_losses, LRs  = train_model(model_ft, dataloaders, criterion, optimizer, num_epochs=10, is_inception=(model_name=="inception"))
"""""""""""""""再继续训练所有层（0-9）end"""""""""""""""



"""""""""""""""测试网络效果open"""""""""""""""
"""probs, classes = predict ('flower_test.jpg', model_ft)  """
"""print(probs)                                            """
"""print(classes)                                          """
"""""""""""""""测试网络效果end"""""""""""""""

flower_forecast预测程序：

import os
import cv2
import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
import torch.optim as optim
import torchvision
#pip install torchvision 需要提前安装好这个模块
from torchvision import transforms, models, datasets
#https://pytorch.org/docs/stable/torchvision/index.html
import imageio
import time
import warnings
import random
import sys
import copy
import json
from PIL import Image

#数据集，标签
from flower_dataset import dataloaders, cat_to_name
#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
from flower_function import im_convert, process_image, imshow

"""""""""""""""flower_model中在本程序需要用到的参数和函数本程序中重新写一遍open"""""""""""""""
"""""""""""""""这样就不用调用flower_model程序，就不用再次训练模型了open"""""""""""""""
"""相关参数open"""
feature_extract = True
model_name = 'resnet'
train_on_gpu = torch.cuda.is_available()
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
"""相关参数open"""

"""""""""""""""冻结神经网络权重函数open"""""""""""""""
def set_parameter_requires_grad(model, feature_extracting):
    if feature_extracting:                      #这里为true
        for param in model.parameters():
            param.requires_grad = False         #把除了最后全连接层，前面所有层权重冻结不能修改
"""""""""""""""冻结神经网络权重函数end"""""""""""""""

"""""""""""""""修改全连接层函数open"""""""""""""""
#（模型名字、得到类别个数、模型权重、
def initialize_model(model_name, num_classes, feature_extract, use_pretrained=True):
    # 选择合适的模型，不同模型的初始化方法稍微有点区别
    model_ft = None
    input_size = 0

    if model_name == "resnet":
        """ Resnet152
        """
        #加载模型（下载）
        model_ft = models.resnet152(pretrained=use_pretrained)
        #有选择性的选需要冻住哪些层
        set_parameter_requires_grad(model_ft, feature_extract)
        #取出最后一层
        num_ftrs = model_ft.fc.in_features
        #重新做全连接层（102这里需要修改，因为本任务分类类别是102）
        model_ft.fc = nn.Sequential(nn.Linear(num_ftrs, 102),
                                   nn.LogSoftmax(dim=1))
        input_size = 224

    elif model_name == "alexnet":
        """ Alexnet
        """
        model_ft = models.alexnet(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "vgg":
        """ VGG11_bn
        """
        model_ft = models.vgg16(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier[6].in_features
        model_ft.classifier[6] = nn.Linear(num_ftrs,num_classes)
        input_size = 224

    elif model_name == "squeezenet":
        """ Squeezenet
        """
        model_ft = models.squeezenet1_0(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        model_ft.classifier[1] = nn.Conv2d(512, num_classes, kernel_size=(1,1), stride=(1,1))
        model_ft.num_classes = num_classes
        input_size = 224

    elif model_name == "densenet":
        """ Densenet
        """
        model_ft = models.densenet121(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        num_ftrs = model_ft.classifier.in_features
        model_ft.classifier = nn.Linear(num_ftrs, num_classes)
        input_size = 224

    elif model_name == "inception":
        """ Inception v3
        Be careful, expects (299,299) sized images and has auxiliary output
        """
        model_ft = models.inception_v3(pretrained=use_pretrained)
        set_parameter_requires_grad(model_ft, feature_extract)
        # Handle the auxilary net
        num_ftrs = model_ft.AuxLogits.fc.in_features
        model_ft.AuxLogits.fc = nn.Linear(num_ftrs, num_classes)
        # Handle the primary net
        num_ftrs = model_ft.fc.in_features
        model_ft.fc = nn.Linear(num_ftrs,num_classes)
        input_size = 299

    else:
        print("Invalid model name, exiting...")
        exit()

    return model_ft, input_size
"""""""""""""""修改全连接层函数end"""""""""""""""

"""""""""""""""flower_model中在本程序需要用到的参数和函数本程序中重新写一遍end"""""""""""""""
"""""""""""""""这样就不用调用flower_model程序，就不用再次训练模型了end"""""""""""""""


"""""""""""""""加载测试模型open"""""""""""""""
#加载模型
model_ft, input_size = initialize_model(model_name, 102, feature_extract, use_pretrained=True)
# GPU模式
model_ft = model_ft.to(device)
#保存文件的名字
filename='checkpoint.pth'
# 加载模型
checkpoint = torch.load(filename)
best_acc = checkpoint['best_acc']
model_ft.load_state_dict(checkpoint['state_dict'])
"""""""""""""""加载测试模型end"""""""""""""""


"""""""""""""""设置检测图像数据open"""""""""""""""
image_path = 'flower_test.jpg'
img1 = process_image(image_path)  #预处理一下
imshow(img1)                      #展示函数

# 得到一个batch的测试数据（一次处理8张照片），在这里用模型进行检测
dataiter = iter(dataloaders['valid'])
images, labels = dataiter.next()
model_ft.eval()

if train_on_gpu:
    output = model_ft(images.cuda())
else:
    output = model_ft(images)

#得到概率最大的那个
_, preds_tensor = torch.max(output, 1)
preds = np.squeeze(preds_tensor.numpy()) if not train_on_gpu else np.squeeze(preds_tensor.cpu().numpy())
"""""""""""""""设置检测图像数据open"""""""""""""""


"""""""""""""""设置展示界面open"""""""""""""""
#设置展示预测结果，这张照片最像的前八类
fig=plt.figure(figsize=(20, 20))
columns = 4
rows = 2

#2*4展示出来
for idx in range (columns*rows):
    ax = fig.add_subplot(rows, columns, idx+1, xticks=[], yticks=[])
    plt.imshow(im_convert(images[idx]))
    ax.set_title("{} ({})".format(cat_to_name[str(preds[idx])], cat_to_name[str(labels[idx].item())]),color=("green" if cat_to_name[str(preds[idx])] == cat_to_name[str(labels[idx].item())] else "red"))
plt.show()
"""""""""""""""设置展示界面end"""""""""""""""