【简单作业向】【Pytorch】猫狗分类

【作业向】
根据给定的猫狗分类数据集，对比单层CNN模型、从头训练CNN模型(mobileNet)、微调预训练CNN模型(mobileNet)的差异。生成的模型的正向传播图（相关方法见我）。

使用PyTorch实现。
本文代码（数据集在同目录下）：我的Github

文章目录

关于数据集

数据集结构很简单，训练集和测试集分两个目录，分别对应cat和dog两个文件夹。
只需要使用torchvision.datasets下的ImageFolder方法即可。
torchvision.datasets import ImageFolder

建立Dataset对象

包括建立Dataset对象、训练集和验证集的DataLoader对象。

在这里插入图片描述

模型1：单层卷积+单层池化+全连接

在这里插入图片描述

定义训练和评估函数

# 定义train函数，使用GPU训练并评价模型import time

# 测试集上评估准确率defevaluate_accuracy(data_iter, net, device=None):"""评估模型预测正确率"""if device isNoneandisinstance(net, torch.nn.Module):# 如果没指定device就用net的device
        device =list(net.parameters())[0].device

    acc_sum, n =0.0,0with torch.no_grad():for X, y in data_iter:ifisinstance(net, torch.nn.Module):
                net.eval()# 将模型net调成 评估模式，这会关闭dropout# 累加这一个batch数据中判断正确的个数
                acc_sum +=(net(X.to(device)).argmax(dim=1)== y.to(device)).float().sum().cpu().item()
                net.train()# 将模型net调回 训练模式else:# 针对自定义的模型（几乎用不到）if('is_training'in net.__code__.co_varnames):# 如果有is_training这个参数# 将 is_training 设置成False
                    acc_sum +=(net(X, is_training=False).argmax(dim=1)== y).float().sum().item()else:
                    acc_sum +=(net(X).argmax(dim=1)== y).float().sum().item()
            n += y.shape[0]return acc_sum / n

deftrain(train_iter, test_iter, net, loss, optimizer, device, num_epochs):
    net = net.to(device)print('training on ', device)
    batch_count =0for epoch inrange(num_epochs):
        train_l_sum, train_acc_sum, n, start =0.0,0.0,0, time.time()for X, y in train_iter:
            X = X.to(device)
            y = y.to(device)
            y_hat = net(X)
            l = loss(y_hat, y)
            optimizer.zero_grad()
            l.backward()
            optimizer.step()
            train_l_sum += l.cpu().item()
            train_acc_sum +=(y_hat.argmax(dim=1)== y).sum().cpu().item()
            n += y.shape[0]
            batch_count +=1
        test_acc = evaluate_accuracy(test_iter, net)print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f, time %.1f sec'%(epoch+1, train_l_sum / batch_count, train_acc_sum / n, test_acc, time.time()- start))

在这里插入图片描述