当前位置： 首页 > wzjs >正文

广州番禺职业技术学院招生网广安seo外包

wzjs 2025/8/17 14:39:29
广州番禺职业技术学院招生网,广安seo外包,效果好企业营销型网站建设开发,深圳网站建设网站第34集：卷积神经网络（CNN）图像分类实战 摘要 卷积神经网络（CNN）是计算机视觉领域的核心技术，特别擅长处理图像分类任务。本集将深入讲解 CNN 的核心组件（卷积层、池化层、全连接层）…

第34集：卷积神经网络（CNN）图像分类实战

摘要

卷积神经网络（CNN）是计算机视觉领域的核心技术，特别擅长处理图像分类任务。本集将深入讲解 CNN 的核心组件（卷积层、池化层、全连接层），并演示如何使用 PyTorch 构建一个完整的 CNN 模型，在 CIFAR-10 数据集上实现图像分类。我们还将探讨数据增强和正则化技术（如 Dropout 和 BatchNorm）对模型性能的影响。
在这里插入图片描述

核心概念和知识点

1. CNN 的核心组件

  • 卷积层：通过滤波器（Filter）提取局部特征（如边缘、纹理）。
  • 池化层：通过下采样（如最大池化）减少参数数量，增强特征鲁棒性。
  • 全连接层：将提取的特征映射到分类标签。

2. 数据增强技术

  • 常用方法：随机水平翻转、随机裁剪、色彩抖动（调整亮度、对比度）。
  • 作用：增加训练数据的多样性，防止过拟合。

3. 过拟合与正则化

  • 过拟合：模型在训练集表现优异，但在测试集性能下降。
  • 正则化方法：
    • Dropout：随机关闭部分神经元，减少对特定特征的依赖。
    • BatchNorm：标准化每层的输入，加速训练并提升泛化能力。

4. 与 AI 大模型的关联

  • 基础架构角色：CNN 是许多大模型（如 ResNet、EfficientNet）的核心组件。
  • 迁移学习：通过预训练的 CNN 模型（如 ImageNet 权重）快速适应新任务。
  • 自监督学习：利用 CNN 提取特征，用于无标签数据的预训练。

实战案例：使用 CNN 分类 CIFAR-10 数据集

背景

CIFAR-10 包含 60,000 张 32x32 彩色图像，分为 10 个类别（飞机、汽车、鸟类等）。我们将构建一个轻量级 CNN 模型，结合数据增强和正则化技术提升分类性能。

代码实现

1. 环境准备

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import numpy as np
from torch.utils.data import DataLoader

2. 数据加载和预处理

def load_data():# 数据增强transform_train = transforms.Compose([transforms.RandomCrop(32, padding=4),transforms.RandomHorizontalFlip(),transforms.RandomRotation(15),transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])transform_test = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))])# 加载CIFAR-10数据集trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train)testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test)return trainset, testset

3. 构建CNN模型

class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()# 第一个卷积块self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)self.bn1 = nn.BatchNorm2d(32)self.conv2 = nn.Conv2d(32, 32, kernel_size=3, padding=1)self.bn2 = nn.BatchNorm2d(32)self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)self.dropout1 = nn.Dropout(0.25)# 第二个卷积块self.conv3 = nn.Conv2d(32, 64, kernel_size=3, padding=1)self.bn3 = nn.BatchNorm2d(64)self.conv4 = nn.Conv2d(64, 64, kernel_size=3, padding=1)self.bn4 = nn.BatchNorm2d(64)self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)self.dropout2 = nn.Dropout(0.25)# 第三个卷积块self.conv5 = nn.Conv2d(64, 128, kernel_size=3, padding=1)self.bn5 = nn.BatchNorm2d(128)self.conv6 = nn.Conv2d(128, 128, kernel_size=3, padding=1)self.bn6 = nn.BatchNorm2d(128)self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)self.dropout3 = nn.Dropout(0.25)# 全连接层self.fc1 = nn.Linear(128 * 4 * 4, 512)self.dropout4 = nn.Dropout(0.5)self.fc2 = nn.Linear(512, 10)def forward(self, x):# 第一个卷积块x = self.pool1(F.relu(self.bn2(self.conv2(F.relu(self.bn1(self.conv1(x)))))))x = self.dropout1(x)# 第二个卷积块x = self.pool2(F.relu(self.bn4(self.conv4(F.relu(self.bn3(self.conv3(x)))))))x = self.dropout2(x)# 第三个卷积块x = self.pool3(F.relu(self.bn6(self.conv6(F.relu(self.bn5(self.conv5(x)))))))x = self.dropout3(x)# 全连接层x = x.view(-1, 128 * 4 * 4)x = self.dropout4(F.relu(self.fc1(x)))x = self.fc2(x)return x

4. 训练和评估

def train_model(model, trainloader, criterion, optimizer, device):model.train()running_loss = 0.0correct = 0total = 0for i, data in enumerate(trainloader):inputs, labels = data[0].to(device), data[1].to(device)optimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()_, predicted = outputs.max(1)total += labels.size(0)correct += predicted.eq(labels).sum().item()if (i + 1) % 100 == 0:print(f'Batch [{i + 1}], Loss: {running_loss/100:.4f}, 'f'Acc: {100.*correct/total:.2f}%')running_loss = 0.0def evaluate_model(model, testloader, device):model.eval()correct = 0total = 0with torch.no_grad():for data in testloader:images, labels = data[0].to(device), data[1].to(device)outputs = model(images)_, predicted = outputs.max(1)total += labels.size(0)correct += predicted.eq(labels).sum().item()accuracy = 100. * correct / totalprint(f'测试集准确率: {accuracy:.2f}%')return accuracy

5. 可视化训练过程

def plot_training_history(train_losses, test_accuracies):plt.figure(figsize=(12, 4))# 绘制训练损失plt.subplot(1, 2, 1)plt.plot(train_losses)plt.title('训练损失')plt.xlabel('批次')plt.ylabel('损失')# 绘制测试准确率plt.subplot(1, 2, 2)plt.plot(test_accuracies)plt.title('测试准确率')plt.xlabel('轮次')plt.ylabel('准确率 (%)')plt.tight_layout()plt.show()

程序输出结果：

在这里插入图片描述

总结

通过本集的学习，我们掌握了 CNN 的核心组件和正则化技术，并通过 CIFAR-10 图像分类任务验证了模型的有效性。CNN 的卷积层和池化层能够有效提取图像特征，而数据增强与 Dropout/BatchNorm 的结合显著提升了模型的泛化能力。

扩展思考

1. 迁移学习提升模型性能

  • 使用预训练模型（如 ResNet-18）作为特征提取器，仅微调最后几层。
  • 代码示例：
    import torchvision.models as models
resnet = models.resnet18(pretrained=True)
# 冻结卷积层
for param in resnet.parameters():param.requires_grad = False
# 替换最后的全连接层
resnet.fc = nn.Linear(resnet.fc.in_features, 10)

2. 自监督学习的潜力

  • 自监督学习通过无标签数据预训练模型（如通过图像旋转预测任务），可在小数据集上取得更好的效果。
  • 例如，使用 MoCo 框架预训练 CNN 编码器。

专栏链接：Python实战进阶
下期预告：No35：循环神经网络（RNN）时间序列预测

http://www.dtcms.com/wzjs/380836.html

相关文章：

  • 物流信息网站微信社群营销
  • 凡客生活seo教程培训班
  • 内网建设网站营销渠道有哪几种
  • 先做网站还是先备案微博指数查询
  • c 大型网站开发案例软文模板app
  • 怎么建自己公司网站制作公司网站的步骤
  • 织梦做的网站如何放在网上软文营销案例200字
  • 制作静态网站口碑营销例子
  • 如何查看网站建设时间短视频营销推广策略
  • java电商网站建设教程百度热门关键词
  • 提供手机自适应网站建设维护私人做网站
  • 不懂代码可以做网站吗百度 营销推广怎么收费
  • 网站建设 宣传单网络营销论文题目
  • 企业网站建站 广州 视频百度招商加盟
  • 商务网站设计方案如何在百度上做产品推广
  • 网站价钱搜索引擎广告形式有
  • 东莞销售网站建设重庆森林粤语完整版在线观看免费
  • 做网站 带宽 多少钱百度识图查图片
  • 网站建设 商城推蛙网络
  • 在线a视频网站一级a做爰百度关键词排名工具
  • 万网做网站给网站源码广州seo外包
  • 网站建设教程大全 百度网盘石家庄网站建设seo
  • 郑州pc网站建设北京seo网站管理
  • 微信网站怎么做的好名字吗整合营销传播工具有哪些
  • 网站怎么做域名解析深圳龙岗区疫情最新消息
  • 网站建设合同属于什么印花税高端营销型网站制作
  • 睢县做网站seo交流论坛seo顾问
  • 不会代码可以做网站吗网站优化seo是什么意思
  • 做网站公司的未来最近七天的新闻重点
  • 潭州学院wordpress武汉seo关键词优化