Python实现LeNet网络模型的训练及预测

第Python实现LeNet网络模型的训练及预测这部分代码是显示测试集当中前五张图片，运行后会显示5张拼接的图片

由于这个数据集的图片都比较小都是32x32的尺寸，有些可能也看的不太清楚，图中显示的是真实标签，注：显示图片的代码可能会这个报警(ClippinginputdatatothevalidrangeforimshowwithRGBdata([0…1]forfloatsor[0…255]forintegers).)，警告解决的方法：将图片数组转成uint8类型即可，即plt.imshow(npimg.astype(‘uint8')，但是那样显示出来的图片会变，所以暂时可以先不用管。

(5).初始化模型

数据图片处理完了，下面就是我们的正式训练过程

net=LeNet()

#定义损失函数，nn.CrossEntropyLoss()自带softmax函数，所以模型的最后一层不需要softmax进行激活

loss_function=nn.CrossEntropyLoss()

#定义优化器,优化模型所有参数

optimizer=optim.Adam(net.parameters(),lr=0.001)

首先初始化LeNet网络,定义交叉熵损失函数，以及Adam优化器，关于注释写的，我们可以ctrl+鼠标左键查看CrossEntropyLoss()，翻到CrossEntropyLoss类，可以看到注释写的这个标准包含LogSoftmax函数，所以搭建LetNet模型的最后一层没有使用softmax激活函数

(6).训练模型及保存模型参数

forepochinrange(5):

#初始损失设置为0

running_loss=0

#循环训练集,从1开始

forstep,datainenumerate(train_loader,start=1):

inputs,labels=data

#优化器的梯度清零,每次循环都需要清零,否则梯度会无限叠加,相当于增加批次大小

optimizer.zero_grad()

#将图片数据输入模型中得到输出

outputs=net(inputs)

#传入预测值和真实值,计算当前损失值

loss=loss_function(outputs,labels)

#损失反向传播

loss.backward()

#进行梯度更新(更新W,b)

optimizer.step()

#计算该轮的总损失，因为loss是tensor类型，所以需要用item()取到值

running_loss+=loss.item()

#每500次进行日志的打印，对测试集进行测试

ifstep%500==0:

#torch.no_grad()就是上下文管理，测试时不需要梯度更新，不跟踪梯度

withtorch.no_grad():

#传入所有测试集图片进行预测

outputs=net(test_img)

#torch.max()中dim=1是因为结果为(batch,10)的形式,我们只需要取第二个维度的最大值，第二个维度是包含十个类别每个类别的概率的向量

#max这个函数返回[最大值,最大值索引],我们只需要取索引就行了，所以用[1]

predict_y=torch.max(outputs,dim=1)[1]

#(predict_y==test_label)相同返回True,不相等返回False,sum()对正确结果进行叠加，最后除测试集标签的总个数

#因为计算的变量都是tensor,所以需要用item()拿到取值

accuracy=(predict_y==test_label).sum().item()/test_label.size(0)

#running_loss/500是计算每一个step的loss，即每一步的损失

print('[%d,%5d]train_loss:%.3ftest_accuracy:%.3f'%

(epoch+1,step,running_loss/500,accuracy))

running_loss=0.0

print('FinishedTraining!')

save_path='lenet.pth'

#保存模型，字典形式

torch.save(net.state_dict(),save_path)

这段代码注释写的很清楚，大家仔细看就能看懂，流程不复杂，多看几遍就能理解，最后再对训练好的模型进行保存就好了(*￣︶￣)

2.预测脚本

上面已经训练好了模型，得到了lenet.pth参数文件，预测就很简单了，可以去网上随便找一张数据集包含的类别图片，将模型参数文件载入模型，通过对图像进行一点处理，喂入模型即可，下面奉上代码：

importtorch

importnumpyasnp

importtorchvision.transformsastransforms

fromPILimportImage

frompytorch.lenet.modelimportLeNet

classes=('plane','car','bird','cat','deer',

'dog','frog','horse','ship','truck')

transforms=transforms.Compose(

#对数据图片调整大小

[transforms.Resize([32,32]),

transforms.ToTensor(),

transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))]

net=LeNet()

#加载预训练模型

net.load_state_dict(torch.load('lenet.pth'))

#网上随便找的猫的图片

img_path='../../Photo/cat2.jpg'

img=Image.open(img_path)

#图片的处理

img=transforms(img)

#增加一个维度,(channels,height,width)-------(batch,channels,height,width)，pytorch要求必须输入这样的shape

img=torch.unsqueeze(img,dim=0)

withtorch.no_grad():

output=net(img)

#dim=1，只取[batch,10]中10个类别的那个维度，取预测结果的最大值索引，并转换为numpy类型

prediction1=torch.max(output,dim=1)[1].data.numpy()

#用softmax()预测出一个概率矩阵

prediction2=torch.softmax(output,dim=1)

#得到概率最大的值得索引

prediction2=np.argmax(predictio