다음은 PyTorch로 구현된 10개의 클래스에서 리프를 인식하는 모델의 예제 코드입니다.
pythonCopy code
import torch import torch.nn as nn import torch.optim as optim import torchvision.transforms as transforms from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder # 设置随机种子 torch.manual_seed(123) # 设置超参数 batch_size = 32 learning_rate = 0.001 num_epochs = 10 # 数据预处理 transform = transforms.Compose([ transforms.Resize((224, 224)), # 调整图像大小 transforms.ToTensor(), # 转换为张量 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 归一化 ]) # 加载数据集 train_dataset = ImageFolder(root='train', transform=transform) train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_dataset = ImageFolder(root='test', transform=transform) test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) # 定义模型 class LeafNet(nn.Module): def __init__(self): super(LeafNet, self).__init__() self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1) self.relu1 = nn.ReLU() self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1) self.relu2 = nn.ReLU() self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2) self.conv3 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1) self.relu3 = nn.ReLU() self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2) self.fc1 = nn.Linear(64 * 28 * 28, 512) self.relu4 = nn.ReLU() self.fc2 = nn.Linear(512, 10) def forward(self, x): x = self.conv1(x) x = self.relu1(x) x = self.pool1(x) x = self.conv2(x) x = self.relu2(x) x = self.pool2(x) x = self.conv3(x) x = self.relu3(x) x = self.pool3(x) x = x.view(-1, 64 * 28 * 28) x = self.fc1(x) x = self.relu4(x) x = self.fc2(x) return x # 定义损失函数和优化器 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') net = LeafNet().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(net.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print('Epoch [%d/%d], Iteration [%d/%d], Loss: %.4f' % (epoch + 1, num_epochs, i + 1, len(train_loader), running_loss / 100)) running_loss = 0.0 # 测试模型 correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data images, labels = images.to(device), labels.to(device) outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))
그중 훈련 세트와 테스트 세트는 모두 다음과 같은 방식으로 구성되어야 합니다.
plaintextCopy code
dataset/ train/ class1/ 1.jpg 2.jpg ... class2/ 1.jpg 2.jpg ... ... test/ class1/ 1.jpg 2.jpg ... class2/ 1.jpg 2.jpg ... ...
이 중 , class1등 class2은 서로 다른 잎 카테고리를 나타내고, 1.jpg등 2.jpg은 해당 카테고리의 서로 다른 샘플을 나타냅니다. 코드에서 ImageFolder서로 다른 폴더의 이미지를 서로 다른 범주로 자동 분류하고 각 샘플에 레이블을 할당할 수 있습니다.