pyTorch框架-迁移学习-实现四种天气图片多分类问题

目录

1.导包

 2.加载原数据、创建训练与测试目录路径

 3.用transforms.Compose、torchvision.datasets.ImageFolder数据预处理

 4.加载预训练好的模型

5.固定与修改预训练模型的参数 

6.将模型拷到GPU上 

7.定义优化器与损失函数 

8.定义训练过程 

9.测试运行 

10.测试结果画图可视化 

10.1.训练与测试的损失函数对比

         10.2.训练与测试的准确率对比 

 11.模型保存

---

 

#迁移学习的常用三种模式
#（1）把别人训练好的模型拿过来用，删掉输出层，加上自己的一层（只有自己新加的这一层参数可训练，其他层的参数固定），形成新的网络
#（2）。。。同上。。。，后面几层的参数都能训练
#（3）。。。同上。。。，全部层的参数都能训练

#训练参数越多，训练速度越慢
#迁移学习：就是基于别人已经训练好的模型框架与参数，稍加改动进行训练

 

1.导包

import torch 
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt

import torchvision
from torchvision import transforms

 2.加载原数据、创建训练与测试目录路径

base_dir = './dataset'
train_dir = os.path.join(base_dir, 'train')
test_dir = os.path.join(base_dir, 'test')

 3.用transforms.Compose、torchvision.datasets.ImageFolder数据预处理

transform = transforms.Compose([
    # 统一缩放到96 * 96
    transforms.Resize((96, 96)),
    transforms.ToTensor(),  #此代码的三个作用：（1）把数据变成0-1之间；（2）变成tensor数据；（3）把通道数换到长和宽的前面
    # 正则化  也是标准化处理
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

train_ds = torchvision.datasets.ImageFolder(train_dir, transform=transform)
test_ds = torchvision.datasets.ImageFolder(test_dir, transform=transform)

#创建dataloader
batch_size = 32
#参数drop_last=True 表示 最后剩余的数据若不满足一批数据的数量，直接删掉
train_dl = torch.utils.data.DataLoader(train_ds, batch_size=batch_size, shuffle=True, drop_last=True)
test_dl = torch.utils.data.DataLoader(test_ds, batch_size=batch_size)

 4.加载预训练好的模型

# 加载预训练好的模型
#加bn层2015年提出的，vgg模型是2015年之前提出的，vgg16_bn模型是2015年之后提出的
#参数pretrained=True表示 使用加载模型的 已训练好的模型
#第一次跑 会下载
model = torchvision.models.vgg16(pretrained=True)

model
#avgpool ： 平均值池化
#(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))  ： 平均值池化 + flatten()数据展平
#可以通过features来索引 获取 每一层的参数

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation&#