《机器学习项目开发实战》-课件 3. 项目二 - 任务一

监督学习分类实战-图像分类项目背景与目标CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务：图像识别本项目旨在通过监督学习的方法实现图像分类。任务一是项目的启动阶段，需要了解图像分类的背景、目标以及整个项目的实施流程。/02知识储备图像识别是什么图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。监督学习基本原理监督学习是从标记的训练数据来推断一个功能的机器学习任务。它利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。在监督学习中，模型使用标记数据集进行训练，训练数据集通常包含输入（特征）和输出（标签），模型通过学习输入与输出之间的关系，从而能够对新的输入数据给出准确的预测或分类。监督学习流程数据准备收集包含输入特征和对应标签的训练数据集，并对这些数据进行预处理。特征工程从原始数据中提取有用特征并选择对模型训练最有帮助的特征的过程。模型选择根据问题的性质和数据的特点选择合适的监督学习算法，并确定模型的结构。模型训练在训练数据集上执行算法，不断缩小输出与标签之间差距，直到模型被适当地拟合。模型评估使用测试数据集来评估模型的准确性。模型部署当模型经过训练和评估后，可以将其部署到实际应用中。常用图像分类数据集MNIST数据集包含了手写数字0到9共10个类别灰度图像，常用于训练和测试在图像处理和机器学习领域中的监督学习模型。常用图像分类数据集CIFAR-10图像更加复杂，图像中包含了多种物体和背景，且物体的大小、位置、姿态等变化较大，这使得图像分类任务更具挑战性。常用图像分类数据集ImageNet数据集的图像内容极其丰富和多样化，涵盖了各种自然场景、物体、动物、植物等，图像的大小、分辨率、质量等也各不相同，这使得图像分类任务极具挑战性。评估指标01准确率正确分类的样本数与总样本数的比例。02召回率对于某个类别，正确分类的样本数与该类别实际样本数的比例。03F1分数准确率和召回率的调和平均数，用于综合评估模型的性能。04混淆矩阵一个表格，用于显示模型在不同类别上的预测结果与实际结果的对比。/03任务实施环境准备condacreate--nameproject2创建虚拟环境2condaactivateproject2激活虚拟环境2环境准备pipinstallopencv-pythonOpenCV的安装pipinstallopencv-python-headless#或pipinstallopencv-contrib-pythonopencv-python-headlesspipinstallPillow安装PILpipinstalltorchtorchvisionPyTorch和torchvision数据集选择MNIST数据集因其简洁性和广泛的应用性，成为了入门者和研究者们首选的“试金石”。这个数据集包含了70000张手写数字图片，每张图像均为28x28像素的灰度图，涵盖了从0到9的十个数字类别。图像预处理1importtorch2importtorchvision3importtorchvision.transformsastransforms4fromtorch.utils.dataimportDataLoader,random_split导入必要的库transform=transforms.Compose([transforms.ToTensor(),])定义数据变换图像预处理dataset=torchvision.datasets.MNIST(root='./data',train=True,download=false,transform=transform)加载MNIST数据集1train_size=int(0.8*len(dataset))#80%的数据用于训练2test_size=len(dataset)-train_size#剩下的20%用于测试3train_dataset,test_dataset=random_split(dataset,[train_size,test_size])划分数据集图像预处理1train_loader=DataLoader(train_dataset,batch_size=64,shuffle=True)2test_loader=DataLoader(test_dataset,batch_size=1000,shuffle=False)创建数据加载器1dataiter=iter(train_loader)images,labels=next(dataiter)print(f'Imagebatchshape:{images.size()}')4print(f'Labelbatchshape:{labels.size()}')检查数据加载器图像预处理1importmatplotlib.pyplotasplt2importnumpyasnp3image=images[0].numpy().squeeze()4plt.imshow(image,cmap='gray')5plt.title(f'Label:{labels[0].item()}')6plt.show()打印一个图像和对应的标签/04任务评价任务评价1.是否成功创建了虚拟环境并激活？2.