Pytorch中如何实现自己加载单通道图片用作数据集训练-创新互联
小编给大家分享一下Pytorch中如何实现自己加载单通道图片用作数据集训练,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
成都创新互联公司专注于企业成都全网营销推广、网站重做改版、振兴网站定制设计、自适应品牌网站建设、H5高端网站建设、成都商城网站开发、集团公司官网建设、外贸营销网站建设、高端网站制作、响应式网页设计等建站业务,价格优惠性价比高,为振兴等各大城市提供网站开发制作服务。pytorch 在torchvision包里面有很多的的打包好的数据集,例如minist,Imagenet-12,CIFAR10 和CIFAR100。在torchvision的dataset包里面,用的时候直接调用就行了。具体的调用格式可以去看文档(目前好像只有英文的)。网上也有很多源代码。
不过,当我们想利用自己制作的数据集来训练网络模型时,就要有自己的方法了。pytorch在torchvision.dataset包里面封装过一个函数ImageFolder()。这个函数功能很强大,只要你直接将数据集路径保存为例如“train/1/1.jpg ,rain/1/2.jpg …… ”就可以根据根目录“./train”将数据集装载了。
dataset.ImageFolder(root="datapath", transfroms.ToTensor())
但是后来我发现一个问题,就是这个函数加载出来的图像矩阵都是三通道的,并且没有什么参数调用可以让其变为单通道。如果我们要用到单通道数据集(灰度图)的话,比如自己加载Lenet-5模型的数据集,就只能自己写numpy数组再转为pytorch的Tensor()张量了。
接下来是我做的过程:
首先,还是要用到opencv,用灰度图打开一张图片,省事。
#读取图片 这里是灰度图 for item in all_path: img = cv2.imread(item[1],0) img = cv2.resize(img,(28,28)) arr = np.asarray(img,dtype="float32") data_x[i ,:,:,:] = arr i+=1 data_y.append(int(item[0])) data_x = data_x / 255 data_y = np.asarray(data_y)
其次,pytorch有自己的numpy转Tensor函数,直接转就行了。
data_x = torch.from_numpy(data_x) data_y = torch.from_numpy(data_y)
下一步利用torch.util和torchvision里面的dataLoader函数,就能直接得到和torchvision.dataset里面封装好的包相同的数据集样本了
dataset = dataf.TensorDataset(data_x,data_y) loader = dataf.DataLoader(dataset, batch_size=batchsize, shuffle=True)
最后就是自己建网络设计参数训练了,这部分和文档以及github中的差不多,就不赘述了。
下面是整个程序的源代码,我利用的还是上次的车标识别的数据集,一共分四类,用的是2层卷积核两层全连接。
源代码:
# coding=utf-8 import os import cv2 import numpy as np import random import torch import torch.nn as nn import torch.utils.data as dataf from torch.autograd import Variable import torch.nn.functional as F import torch.optim as optim #训练参数 cuda = False train_epoch = 20 train_lr = 0.01 train_momentum = 0.5 batchsize = 5 #测试训练集路径 test_path = "/home/test/" train_path = "/home/train/" #路径数据 all_path =[] def load_data(data_path): signal = os.listdir(data_path) for fsingal in signal: filepath = data_path+fsingal filename = os.listdir(filepath) for fname in filename: ffpath = filepath+"/"+fname path = [fsingal,ffpath] all_path.append(path) #设立数据集多大 count = len(all_path) data_x = np.empty((count,1,28,28),dtype="float32") data_y = [] #打乱顺序 random.shuffle(all_path) i=0; #读取图片 这里是灰度图 最后结果是i*i*i*i #分别表示:batch大小 , 通道数, 像素矩阵 for item in all_path: img = cv2.imread(item[1],0) img = cv2.resize(img,(28,28)) arr = np.asarray(img,dtype="float32") data_x[i ,:,:,:] = arr i+=1 data_y.append(int(item[0])) data_x = data_x / 255 data_y = np.asarray(data_y) # lener = len(all_path) data_x = torch.from_numpy(data_x) data_y = torch.from_numpy(data_y) dataset = dataf.TensorDataset(data_x,data_y) loader = dataf.DataLoader(dataset, batch_size=batchsize, shuffle=True) return loader # print data_y train_load = load_data(train_path) test_load = load_data(test_path) class L5_NET(nn.Module): def __init__(self): super(L5_NET ,self).__init__(); #第一层输入1,20个卷积核 每个5*5 self.conv1 = nn.Conv2d(1 , 20 , kernel_size=5) #第二层输入20,30个卷积核 每个5*5 self.conv2 = nn.Conv2d(20 , 30 , kernel_size=5) #drop函数 self.conv2_drop = nn.Dropout2d() #全链接层1,展开30*4*4,连接层50个神经元 self.fc1 = nn.Linear(30*4*4,50) #全链接层1,50-4 ,4为最后的输出分类 self.fc2 = nn.Linear(50,4) #前向传播 def forward(self,x): #池化层1 对于第一层卷积池化,池化核2*2 x = F.relu(F.max_pool2d( self.conv1(x) ,2 ) ) #池化层2 对于第二层卷积池化,池化核2*2 x = F.relu(F.max_pool2d( self.conv2_drop( self.conv2(x) ) , 2 ) ) #平铺轴30*4*4个神经元 x = x.view(-1 , 30*4*4) #全链接1 x = F.relu( self.fc1(x) ) #dropout链接 x = F.dropout(x , training= self.training) #全链接w x = self.fc2(x) #softmax链接返回结果 return F.log_softmax(x) model = L5_NET() if cuda : model.cuda() optimizer = optim.SGD(model.parameters() , lr =train_lr , momentum = train_momentum ) #预测函数 def train(epoch): model.train() for batch_idx, (data, target) in enumerate(train_load): if cuda: data, target = data.cuda(), target.cuda() data, target = Variable(data), Variable(target) #求导 optimizer.zero_grad() #训练模型,输出结果 output = model(data) #在数据集上预测loss loss = F.nll_loss(output, target) #反向传播调整参数pytorch直接可以用loss loss.backward() #SGD刷新进步 optimizer.step() #实时输出 if batch_idx % 10 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, batch_idx * len(data), len(train_load.dataset), 100. * batch_idx / len(train_load), loss.data[0])) # #测试函数 def test(epoch): model.eval() test_loss = 0 correct = 0 for data, target in test_load: if cuda: data, target = data.cuda(), target.cuda() data, target = Variable(data, volatile=True), Variable(target) #在测试集上预测 output = model(data) #计算在测试集上的loss test_loss += F.nll_loss(output, target).data[0] #获得预测的结果 pred = output.data.max(1)[1] # get the index of the max log-probability #如果正确,correct+1 correct += pred.eq(target.data).cpu().sum() #loss计算 test_loss = test_loss test_loss /= len(test_load) #输出结果 print('\nThe {} epoch result : Average loss: {:.6f}, Accuracy: {}/{} ({:.2f}%)\n'.format( epoch,test_loss, correct, len(test_load.dataset), 100. * correct / len(test_load.dataset))) for epoch in range(1, train_epoch+ 1): train(epoch) test(epoch)
最后的训练结果和在keras下差不多,不过我训练的时候好像把训练集和测试集弄反了,数目好像测试集比训练集还多,有点尴尬,不过无伤大雅。结果图如下:
以上是“Pytorch中如何实现自己加载单通道图片用作数据集训练”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注创新互联成都网站设计公司行业资讯频道!
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
文章题目:Pytorch中如何实现自己加载单通道图片用作数据集训练-创新互联
路径分享:http://myzitong.com/article/dosssh.html