一、前期准备

1、设置GPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasetsimport os,PIL,pathlibdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")print(device)

2.导入数据


data_dir = pathlib.Path('D:/P5data/weather_photos') 
data_paths = list(data_dir.glob('*')) 
classNames = [path.name for path in data_paths]  
print(classNames)

data_dir = pathlib.Path('./data/') : 使用pathlib.Path处理路径,它提供了更多关于路径的方法和属性
data_paths = list(data_dir.glob('*')) : 使用Path.glob方法搜索当前目录下的所有文件/文件夹。这个方法返回一个迭代器，所以使用list()将其转换为列表。
classNames = [path.name for path in data_paths] #:使用列表推导式从每个路径中提取名称（即最后一个部分）。例如，路径./data/cloudy将提取为cloudy。

3.预处理和加载数据集

total_datadir = 'D:/P5data/weather_photos'  ## train_transforms 进行图像预处理
train_transforms = transforms.Compose([transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸224 x 224大小transforms.ToTensor(),          # 转换为tensor格式, 且归一化transforms.Normalize(           # 标准化处理-->转换为标准正态分布（高斯分布），使模型更容易收敛mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])  # 其中mean=[0.485, 0.456, 0.406]与std=[0.229, 0.224, 0.225] 从数据集中随机抽样计算得到的。
])total_data = datasets.ImageFolder(total_datadir,transform=train_transforms)  # 加载数据集并应用预处理
print(total_data)

4.划分数据集

train_size = int(0.8 * len(total_data)) # 训练数据集80%
test_size = len(total_data) - train_size # 测试集 20%# 使用 torch.utils.data.random_split 将数据集分为训练集和测试集
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])print(train_dataset)
print(test_dataset)
print(train_size)
print(test_size)

5.数据加载器

batch_size = 32  # 定义每个批次中包含的样本数量# 使用DataLoader创建训练和测试的数据加载器，用于从数据集中加载批次的数据
train_dl = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size,shuffle=True,num_workers=0)
test_dl = torch.utils.data.DataLoader(test_dataset,batch_size=batch_size,shuffle=True,num_workers=0)for X, y in test_dl:print("Shape of X [N, C, H, W]: ", X.shape)print("Shape of y: ", y.shape, y.dtype)break

二、构建简单的CNN网络

定义一个带有批量归一化(Batch Normalization) 的卷积神经网络结构，该网络可以对输入的图像进行特征提取和分类。

# 导入PyTorch的函数式模块，其中包含了一些常用的非线性激活函数，如ReLU。
import torch.nn.functional as F	 # 定义网络模型：
class Network_bn(nn.Module): # 定义了一个名为'Network_bn'的类，继承自'nn.Module',这是Pytorch中构建神经网络模型的基类。def __init__(self): # 构造函数，用于初始化网络结构和参数super(Network_bn, self).__init__()  # 调用父类（nn.Module）的构造函数self.conv1 = nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, stride=1, padding=0)self.bn1 = nn.BatchNorm2d(12)self.conv2 = nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, stride=1, padding=0)self.bn2 = nn.BatchNorm2d(12)self.pool = nn.MaxPool2d(2,2)self.conv4 = nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, stride=1, padding=0)self.bn4 = nn.BatchNorm2d(24)self.conv5 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, stride=1, padding=0)self.bn5 = nn.BatchNorm2d(24)self.fc1 = nn.Linear(24*50*50, len(classNames))def forward(self, x):  # 前向传播函数x = F.relu(self.bn1(self.conv1(x)))  # 对输入应用卷积、批量归一化和ReLU激活函数。x = F.relu(self.bn2(self.conv2(x)))x = self.pool(x)  # 使用最大池化层对特征图进行下采样。在网络的不同部分进行，形成特征提取过程。x = F.relu(self.bn4(self.conv4(x)))x = F.relu(self.bn5(self.conv5(x)))x = self.pool(x)x = x.view(-1, 24*50*50)x = self.fc1(x) # 最后进行全连接层，将提取的特征映射到分类标签。return xdevice = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))model = Network_bn().to(device) # 创建Network_bn的实例，将模型移动到指定的设备上。
print(model)

三、训练模型

1.设置超参数

loss_fn = nn.CrossEntropyLoss() # 创建交叉熵损失函数，用于计算模型输出与真实标签之间的差距
learn_rate = 1e-4 # 学习率，即优化器在更新模型参数时使用的步长
opt = torch.optim.SGD(model.parameters(), lr=learn_rate) # opt, 创建SGD优化器，用于更新模型的参数。（传入模型的参数和学习率）

loss_fn = nn.CrossEntropyLoss() #:创建交叉熵损失函数，用于计算模型输出与真实标签之间的差距
learn_rate = 1e-4 : 学习率，即优化器在更新模型参数时使用的步长
opt = torch.optim.SGD(model.parameters(), lr=learn_rate) : opt, 创建SGD优化器，用于更新模型的参数。（传入模型的参数和学习率）

2.编写训练函数

def train(dataloader, model, loss_fn, optimizer):size = len(dataloader.dataset)  # 获取训练集的大小num_batches = len(dataloader)   # 获取批次数量train_loss, train_acc = 0, 0    # 初始化训练损失和正确率for X, y in dataloader: # 遍历训练集的每个批次，获取图片及其标签X, y = X.to(device), y.to(device)  # 将数据移动到设备上# 计算预测误差pred = model(X)          # 网络输出，前向传播得到模型预测值loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值， 计算二者差值即为损失# 反向传播optimizer.zero_grad()    # grad属性归零，清除之前的梯度loss.backward()          # 反向传播，计算梯度optimizer.step()         # 每一步自动更新模型参数# 记录acc与losstrain_acc += (pred.argmax(1) == y).type(torch.float).sum().item()train_loss += loss.item()train_acc /= sizetrain_loss /= num_batchesreturn train_acc, train_loss

3.编写测试函数

def test (dataloader, model, loss_fn):size = len(dataloader.dataset)  # 获取测试集的大小num_bathes = len(dataloader)    # 获取批次数量test_loss, test_acc = 0, 0		# 初始化测试损失和测试准确率# 当不进行训练时，停止梯度更新， 节省计算内存消耗with torch.no_grad():	# 在测试过程中，不需要计算梯度for imgs, target in dataloader:	 遍历测试数据集的每个批次imgs, target = imgs.to(device), target.to(device)  # 将数据移动到设备上# 计算losstarget_pred = model(imgs)  # 模型预测loss = loss_fn(target_pred, target)  # 计算损失test_loss += loss.item()test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()test_acc /= sizetest_loss /= num_bathesreturn test_acc, test_loss

4.编写训练函数

epochs = 20
train_loss = []
train_acc = []
test_loss = []
test_acc = []for epoch in range(epochs):model.train()  # 设置模型为训练模式epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)model.eval() # 设置模型为评估模式，不启用Batch Normalization 和Dropoutepoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}')print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print("Done")

5.结果可视化

# 隐藏警告
import warnings
warnings.filterwarnings('ignore')             # 忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100              # 分辨率epochs_range = range(epochs)plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

四、实验总结

本次深度学习实验的主要目标是学习如何使用 PyTorch 框架构建、训练和验证卷积神经网络（CNN）模型，以解决彩色图片识别问题。我们选择了经典的 CIFAR-10 数据集作为实验的数据源，该数据集包含10个不同类别的彩色图片，是一个适合深度学习初学者的挑战性任务。在实验中，我们将了解数据加载与预处理、模型构建、模型训练、模型验证以及超参数设置等关键概念和技术。