【深度学习】pytorch——实现CIFAR-10数据集的分类

笔记为自我总结整理的学习笔记，若有错误欢迎指出哟~

往期文章：
【深度学习】pytorch——快速入门

CIFAR-10分类

CIFAR-10简介
CIFAR-10数据集分类实现步骤
一、数据加载及预处理
- 实现数据加载及预处理
- 归一化的理解
- 访问数据集
- - Dataset对象
  - Dataloader对象
二、定义网络
三、定义损失函数和优化器(loss和optimizer)
四、训练网络并更新网络参数
- enumerate函数
五、测试网络
- 部分数据集（实际的label）
- 部分数据集（预测的label）
- 整个测试集

CIFAR-10简介

CIFAR-10是一个常用的图像分类数据集，每张图片都是 3×32×32，3通道彩色图片，分辨率为 32×32。

它包含了10个不同类别，每个类别有6000张图像，其中5000张用于训练，1000张用于测试。这10个类别分别为：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。

CIFAR-10分类任务是将这些图像正确地分类到它们所属的类别中。对于这个任务，可以使用深度学习模型，如卷积神经网络(CNN)来实现高效的分类。

CIFAR-10分类任务是一个比较典型的图像分类问题，在计算机视觉领域中被广泛使用，是检验深度学习模型表现的一个重要基准。

CIFAR-10数据集分类实现步骤

使用torchvision加载并预处理CIFAR-10数据集
定义网络
定义损失函数和优化器
训练网络并更新网络参数
测试网络

一、数据加载及预处理

实现数据加载及预处理

import torch as t
import torchvision as tv
import torchvision.transforms as transforms
from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image，方便可视化# 第一次运行程序torchvision会自动下载CIFAR-10数据集，大约100M。
# 如果已经下载有CIFAR-10，可通过root参数指定# 定义对数据的预处理
transform = transforms.Compose([transforms.ToTensor(), # 转为Tensortransforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化])# 训练集
trainset = tv.datasets.CIFAR10(		# PyTorch提供的CIFAR-10数据集的类，用于加载CIFAR-10数据集。root='D:/深度学习基础/pytorch/data/', 	# 设置数据集存储的根目录。train=True, 	# 指定加载的是CIFAR-10的训练集。download=True,	# 如果数据集尚未下载，设置为True会自动下载CIFAR-10数据集。transform=transform)	# 设置数据集的预处理方式。# 数据加载器
trainloader = t.utils.data.DataLoader(trainset, 		# 指定了要加载的训练集数据，即CIFAR-10数据集。batch_size=4,	# 每个小批量(batch)的大小是4，即每次会加载4张图片进行训练。shuffle=True, 	# 在每个epoch训练开始前，会打乱训练集中数据的顺序，以增加训练效果。num_workers=2)	# 使用2个进程来加载数据，以提高数据的加载速度。# 测试集
testset = tv.datasets.CIFAR10('D:/深度学习基础/pytorch/data/',train=False, download=True, transform=transform)testloader = t.utils.data.DataLoader(testset,batch_size=4, shuffle=False,num_workers=2)classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

这段代码主要是使用PyTorch和torchvision库来加载并处理CIFAR-10数据集，其中包括训练集和测试集。

import torch as t 和 import torchvision as tv 导入了PyTorch和torchvision库。
import torchvision.transforms as transforms 导入了torchvision.transforms模块，用于进行数据转换和增强操作。
from torchvision.transforms import ToPILImage 导入了ToPILImage类，它可以将Tensor对象转换为PIL Image对象，以方便后续的可视化操作。
show = ToPILImage() 创建一个ToPILImage对象，用于将张量(Tensor)对象转换为PIL Image对象，以便于后续的可视化操作。
transform = transforms.Compose([...]) 定义对数据的预处理操作，将多个预处理操作组合在一起，形成一个数据预处理的管道。该管道首先使用transforms.ToTensor()函数将图像转换为张量(Tensor)对象，然后使用transforms.Normalize()函数对图像进行归一化操作，以便于后续的训练。
trainset = tv.datasets.CIFAR10([...]) 使用tv.datasets.CIFAR10()函数加载CIFAR-10数据集，并指定数据集的存储位置、是否为训练集、是否需要下载等参数。还可以通过transform参数来指定对数据进行的预处理操作。
trainloader = t.utils.data.DataLoader([...]) 使用PyTorch的DataLoader类来创建一个数据加载器，该加载器可以按照指定的批量大小将数据集分成小批量进行加载。可以指定加载器的参数，如批量大小、是否随机洗牌、使用的进程数等。
testset = tv.datasets.CIFAR10([...]) 和 testloader = t.utils.data.DataLoader([...]) 与训练集的加载方式类似，只是将参数中的train改为False，表示这是测试集。
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') 定义了CIFAR-10数据集中包含的10个类别。

注：tv.datasets.CIFAR10()函数会自动下载CIFAR-10数据集并存储到指定位置，如果已经下载过该数据集，可以通过root参数来指定数据集的存储位置，避免重复下载浪费时间和带宽。

归一化的理解

transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化

transforms.Normalize()函数实现了对图像数据进行归一化操作。该函数的参数是均值和标准差，在CIFAR-10数据集中，每个像素有3个通道(R,G,B)，因此传入的均值和标准差是一个长度为3的元组。这里(0.5, 0.5, 0.5)表示每个通道的均值为0.5，(0.5, 0.5, 0.5)表示每个通道的标准差也为0.5。具体地，对于每个像素的每个通道，该函数执行以下计算：

input[channel] = (input[channel] - mean[channel]) / std[channel]

其中，input[channel]表示一个像素的某个通道的像素值，mean[channel]和std[channel]分别表示该通道的均值和标准差。通过这样的归一化操作，每个通道的像素值都将落在-1到1之间，从而便于模型的训练。

因此，这行代码的作用是对CIFAR-10数据集中的图像进行归一化，将每个通道的像素值映射到-1到1之间。

访问数据集

Dataset对象

Dataset对象是一个数据集，可以按下标访问，返回形如(data, label)的数据。

(data, label) = trainset[100]	# 从训练集中获取第100个样本的数据（图像）和标签。
print(classes[label])	# (data + 1) / 2是为了还原被归一化的数据，将之前归一化的数据重新映射到0到1的范围内。
show((data + 1) / 2).resize((200, 200))

输出为：

ship
在这里插入图片描述

Dataloader对象

Dataloader是一个可迭代的对象，它将dataset返回的每一条数据拼接成一个batch，并提供多线程加速优化和数据打乱等操作。当程序对dataset的所有数据遍历完一遍之后，相应的对Dataloader也完成了一次迭代

dataiter = iter(trainloader)
images, labels = next(dataiter) # 返回4张图片及标签
print('，'.join('%11s'%classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid((images+1)/2)).resize((400,100))

使用iter(trainloader)将训练数据加载器转换成一个迭代器对象dataiter。
使用next(dataiter)从迭代器中获取下一个批次的数据。这里假设每个批次的大小为4，所以images和labels分别是一个包含4张图片和对应标签的张量。
通过一个循环遍历了这4张图片的标签，并使用classes[labels[j]]将每个标签转换为对应的类别名称。classes是一个包含CIFAR-10数据集各个类别名称的列表。
使用tv.utils.make_grid()函数将这4张图片拼接成一张网格图，并通过(images+1)/2将像素值从[-1, 1]的范围映射到[0, 1]的范围。使用show()函数显示图像，并调用resize()对图像进行调整大小，再使用print()输出调整大小后的图像。

输出为：
cat， truck， plane， deer
在这里插入图片描述

二、定义网络

LeNet网络，self.conv1第一个参数为3通道，因为CIFAR-10是3通道彩图

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5) self.conv2 = nn.Conv2d(6, 16, 5)  self.fc1   = nn.Linear(16*5*5, 120)  self.fc2   = nn.Linear(120, 84)self.fc3   = nn.Linear(84, 10)def forward(self, x): x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) x = x.view(x.size()[0], -1) 	# -1表示会自适应的调整剩余的维度x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)        return xnet = Net()
print(net)

输出为：

Net((conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(fc1): Linear(in_features=400, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True)
)

模型包含以下层：

self.conv1: 输入通道数为3，输出通道数为6，卷积核大小为5x5的卷积层。
self.conv2: 输入通道数为6，输出通道数为16，卷积核大小为5x5的卷积层。
self.fc1: 输入大小为16x5x5，输出大小为120的全连接层。
self.fc2: 输入大小为120，输出大小为84的全连接层。
self.fc3: 输入大小为84，输出大小为10的全连接层。

模型的前向传播函数(forward)：

先经过第一个卷积层，然后应用ReLU激活函数和2x2的最大池化操作。
再经过第二个卷积层，同样应用ReLU激活函数和2x2的最大池化操作。
通过x.view(x.size()[0], -1)将特征张量x展平为一维向量，以便输入全连接层。
依次经过两个全连接层，并使用ReLU激活函数进行非线性变换。
最后一层是一个全连接层，输出大小为10，对应CIFAR-10数据集的10个类别。这里没有使用激活函数，因为该模型将其输出直接作为分类的得分。

总体而言，该模型由两个卷积层和三个全连接层组成，用于对CIFAR-10数据集进行图像分类。

三、定义损失函数和优化器(loss和optimizer)

from torch import optim
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

nn.CrossEntropyLoss()创建了一个交叉熵损失函数的实例，用于计算分类任务中的损失。交叉熵损失函数通常用于多类别分类问题，它将模型的输出与真实标签进行比较，并计算出一个数值作为损失值，用来衡量模型预测与真实标签之间的差异。
optim.SGD(net.parameters(), lr=0.001, momentum=0.9)创建了一个随机梯度下降（SGD）优化器的实例。

net.parameters()表示要优化的模型参数，即神经网络中的权重和偏置。

lr=0.001是学习率（learning rate），控制每次参数更新的步长大小。

momentum=0.9表示动量（momentum）参数，用于加速优化过程并避免陷入局部最优解。

四、训练网络并更新网络参数

t.set_num_threads(8)	# 设置线程数为 8，以加速训练过程。
for epoch in range(2):  	# 指定训练的轮数为 2 轮（epoch），即遍历整个数据集两次。running_loss = 0.0		# 记录当前训练阶段的损失值for i, data in enumerate(trainloader, 0):# 输入数据inputs, labels = data# 梯度清零optimizer.zero_grad()		# 每个 batch 开始时，将优化器的梯度缓存清零，以避免梯度累积# forward + backward outputs = net(inputs)loss = criterion(outputs, labels)	# 进行前向传播，然后计算损失函数 lossloss.backward()   	# 自动计算损失函数相对于模型参数的梯度# 更新参数 optimizer.step()	# 使用优化器 optimizer 来更新模型的权重和偏置，以最小化损失函数# 打印log信息# loss 是一个scalar,需要使用loss.item()来获取数值，不能使用loss[0]running_loss += loss.item()if i % 2000 == 1999: # 每2000个batch打印一下训练状态print('[%d, %5d] loss: %.3f' \% (epoch+1, i+1, running_loss / 2000))running_loss = 0.0
print('Finished Training')

输出结果：

[1,  2000] loss: 2.247
[1,  4000] loss: 1.974
[1,  6000] loss: 1.753
[1,  8000] loss: 1.605
[1, 10000] loss: 1.527
[1, 12000] loss: 1.472
[2,  2000] loss: 1.424
[2,  4000] loss: 1.386
[2,  6000] loss: 1.331
[2,  8000] loss: 1.303
[2, 10000] loss: 1.300
[2, 12000] loss: 1.275
Finished Training

enumerate函数

enumerate是Python内置函数之一，用于将一个可迭代的对象（如列表、元组、字符串等）组合为一个索引序列。它返回一个枚举对象，包含了原始对象中的元素以及对应的索引值。

enumerate函数的一般语法如下：

enumerate(iterable, start=0)

其中，iterable是要进行枚举的可迭代对象，start是可选参数，表示起始的索引值，默认为0。

下面是一个简单的例子来说明enumerate函数的用法：

fruits = ['apple', 'banana', 'cherry']
for index, fruit in enumerate(fruits):print(index, fruit)

输出结果：

0 apple
1 banana
2 cherry

在上述示例中，enumerate函数将列表fruits中的元素与对应的索引值配对，然后通过for循环依次取出每个元素和索引值进行打印。

在机器学习或深度学习中，enumerate函数常常与循环结合使用，用于遍历数据集或批次数据，并同时获取数据的索引值。这在模型训练过程中很有用，可以方便地记录当前处理的数据的位置信息。

五、测试网络

部分数据集（实际的label）

dataiter = iter(testloader)
images, labels = next(dataiter) # 一个batch返回4张图片
print('实际的label: ', ' '.join(\'%08s'%classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid(images+1)/2).resize((400,100))

输出结果：

实际的label:  cat     ship      ship      plane

在这里插入图片描述

部分数据集（预测的label）

# 计算图片在每个类别上的分数
outputs = net(images)
# 得分最高的那个类
_, predicted = t.max(outputs.data, 1)print('预测结果: ', ' '.join('%5s'\% classes[predicted[j]] for j in range(4)))

输出结果：

预测结果:  cat      car       ship        plane

在这里插入图片描述

整个测试集

correct = 0 # 预测正确的图片数
total = 0 # 总共的图片数# 使用 torch.no_grad() 上下文管理器，表示在测试过程中不需要计算梯度，以提高速度和节约内存
with t.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predicted = t.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum()print('10000张测试集中的准确率为: %d %%' % (100 * correct / total))

输出结果：

10000张测试集中的准确率为: 54 %

训练的准确率远比随机猜测(准确率10%)好。