《PyTorch深度学习项目教程》教案-项目3-猫狗图像分类

《PyTorch深度学习项目教程》教案-项目3-猫狗图像分类教师姓名宋桂岭授课班级授课周次授课课时9教学目标知识目标：1.理解并应用PyTorch中DataSet类进行数据增强，以提高模型泛化能力。2.学会使用torchstat工具包对模型的参数进行统计分析，以监控模型训练状态。3.掌握logging工具包的使用，实现训练过程的日志记录与输出，便于模型调试与分析。4.理解回归与分类任务的区别，并掌握分类任务中的关键算法。5.学习和掌握Sigmoid与Softmax函数在不同分类任务中的应用。能力目标：6.能够利用网络资源加载和处图像数据集，进行有效的数据预处理和增强。7.能够独立搭建并训练一个全连接神经网络模型，用于图像分类任务。8.能够运用日志记录和其他评估手段，对模型的性能进行监控和分析，提出改进策略。素养目标：9.培养项目化思维，养成项目开发的全局视角，合理规划项目进度。10.增强自主学习能力，能够独立分析问题，寻找解决方案，并在项目中实践。11.提升自我学习意识，通过本项目的学习，激发对监督学习数据集收集和构建的兴趣，主动寻找和应用更多的学习资源。教学内容任务1准备猫狗数据集任务2设计图像分类全连接网络任务3训练图像分类网络任务4应用分类网络推理更多图片任务5认识深度学习的主要任务：回归与分类教学重点人工神经网络基础多层感知机网络模型深度学习训练算法框架的搭建深度学习的主要任务教学难点项目结构的组织和管理多个类库的调用教学方法讲授法、演示法、任务导向法教学场所课外作业1）总结猫狗分类数据集创建的方法，可以按照该数据集格式，自己创建各种分类数据集，例如杯子、图书等。2）修改图像分类网络结构中的激活函数和模型参数，例如将输入改为256×256×3，如果输入修改后，还需要修改哪些参数？3）修改训练轮次，完成300轮训练，可以比较检测精度是否提升。教学体会或反思任务1准备猫狗数据集（2课时）一、内容讲解1、项目2作业讲解(20分钟)2、由项目2的曲线拟合引出深度学习的主要任务：回归和分类(5分钟)3、典型分类任务介绍(5分钟)要点：分类任务是深度学习的基本任务。问题：猫狗图像分类是一个经典的计算机视觉问题，目标是对给定的图像进行分类，判断图像中是猫还是狗。由于猫狗的相似性，将二者完全分开面临极大的挑战。解决方法：通过监督学习进行解决，即通过带标签的图像数据集来进行训练和评估模型。训练阶段，模型接收大量的猫狗图像作为输入，并对其进行学习，调整模型参数以最小化预测结果与真实标签之间的差异。评估阶段，使用另外的图像数据集对训练好的模型进行测试和验证其分类准确性。二、讲练结合，创建猫狗图像数据集1、引导学生打开互联网浏览器，查看猫狗图像的公开数据集(10分钟)2、完成数据集的下载(10分钟)3、查看下载的数据集图像，人工分析图像特征（5分钟）4、编写程序，查看图像尺寸信息，确定每张图像都可以被Python图像库访问，可以采用OpenCV或PIL图像包（15分钟）5、数据集划分，手动创建训练集、验证集和测试集文件夹，拓展训练，完成数据集自动划分的Python程序代码，输入：数据集划分比例和原始数据图片，输出：划分后的文件夹（根据学生基础：机动时长5-20分钟）6、创建DataSet类，完成DogCatDataset类，同时介绍深度学习开发框架的整体项目结构，教师示范，学生自行编程练习，根据学生基础：机动时长10-20分钟：三、课程总结与回顾（5分钟）对课程内容进行总结，重点回顾图像划分和项目组织结构安排，鼓励学生多创建几个项目，建立空白文件，强化项目架构整体记忆。任务2设计图像分类全连接网络(1课时）讲练结合，代码给出MLP分类模型的定义，并指导学生动手实践编写1、创建MLP分类器模型（教师创建讲解30分钟）讲解要点：①代码实现；②导出为ONNX模型，对照代码讲解模型结构；③讲解整体项目组织架构，以及model在代码框架中的目录关系；④编写main方法，实现MLP分类器模型的测试用例；⑤断点调试，讲解每层的参数传递的意义，回顾MLP对应的数学公式和正向传播模型2、学生实际编程完成MLP分类器模型（20分钟）任务3训练图像分类网络(3课时）一、讲练结合，通过代码，示范训练开发过程1、讲解训练日志的实现，多讲解训练框架的工程化，让学生梳理模块化编程意识，编写后，书写测试用例，同步要求学生完成（20分钟）2、逐步完成训练过程开发，按照模型块完成进行运行输出，和学生讲解，逐步调试，逐步输出的意义，不要整段输出，讲解时间40分钟，练习时间40分钟，建议分配比例：训练初始化10分钟-20分钟，配置数据集10-20分钟，网络模型加载5-10分钟，配置训练策略10-20分钟，迭代训练程序执行5-20分钟。二、课程总结与回顾（20分钟）1、对课程内容进行总结，打开训练后的可视化分析图,进行分析2、对于迭代过程进行总结，强化正向转播和反向传播的理解。任务4应用分类网络推理（1课时）一、讲练结合，给出推理相关代码，及其在项目框架中的位置，讲解10分钟，学生自行实现20分钟这里教师要强调不要拷贝粘贴，要对代码进行逐行编写，强化自身对计算机键盘、编程、文件操作等的熟练度，留出充足时间。二、拓展编程：如何修改代码，实现批量读取测试集图片，得到模型在测试集上的准确率（20分钟）任务5认识深度学习的主要任务：回归与分类（2课时）授课方式：理论讲解和编程示范1、回顾项目2、项目3做了什么，有何区别与联系，引入深度学习的两大基本任务：回归和分类（10分钟）2、讲解线性回