【Week-P3】CNN天气识别

文章目录

  • 一、环境配置
  • 二、准备数据
  • 三、搭建网络结构
  • 四、开始训练
  • 五、查看训练结果
  • 六、总结
    • 6.1 不改变学习率的前提下，将训练epoch分别增加到50、60、70、80、90
      • （1）epoch = 50 的训练情况如下：
      • （2）epoch = 60 的训练情况如下：
      • （3）epoch = 70 的训练情况如下：
      • （4）epoch = 80 的训练情况如下：
      • （5）epoch = 90 的训练情况如下：
    • 6.2 在epoch=50、60、70、80、90的基础上修改固定学习率为动态学习率
      • （1）epoch = 50 的训练情况如下：
      • （2）epoch = 60 的训练情况如下：
      • （3）epoch = 70 的训练情况如下：
      • （4）epoch = 80 的训练情况如下：
      • （5）epoch = 90 的训练情况如下：

  • 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
  • 🍖 原作者：K同学啊 | 接辅导、项目定制

🍺本文基础要求：
（1）本地读取并加载数据。
（2）测试集accuracy到达93%
🍻拔高：
（1）测试集accuracy到达95%
（2）调用模型识别一张本地图片

一、环境配置

# 1. 设置环境
import sys
from datetime import datetime

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets

import os,PIL,pathlib,random

print("---------------------1.配置环境------------------")
print("Start time: ", datetime.today())
print("Pytorch version: " + torch.__version__)
print("Python version: " + sys.version)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

在这里插入图片描述

二、准备数据

导入数据分四步：
● 第一步：使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。
● 第二步：使用glob()方法获取data_dir路径下的所有文件路径，并以列表形式存储在data_paths中。
● 第三步：通过split()函数对data_paths中的每个文件路径执行分割操作，获得各个文件所属的类别名称，并存储在classNames中
● 第四步：打印classNames列表，显示每个文件所属的类别名称。

'''
D:\jupyter notebook\DL-100-days\datasets\P3-天气识别\weather_photos\
'''
print("---------------------2.1 导入本地数据------------------")
data_dir = 'D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/'
data_dir = pathlib.Path(data_dir)

data_paths = list(data_dir.glob('*'))
classNames = [str(path).split("\\")[1] for path in data_paths]
classNames


print("---------------------2.2 数据可视化------------------")
import matplotlib.pyplot as plt
from PIL import Image

# 指定图像文件夹路径
image_folder = 'D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/cloudy/'

# 获取文件夹中的所有图像文件
image_files = [f for f in os.listdir(image_folder) if f.endswith((".jpg", ".png", ".jpeg"))]

# 创建Matplotlib图像
fig, axes = plt.subplots(3, 8, figsize=(16, 6))

# 使用列表推导式加载和显示图像
for ax, img_file in zip(axes.flat, image_files):
    img_path = os.path.join(image_folder, img_file)
    img = Image.open(img_path)
    ax.imshow(img)
    ax.axis('off')

# 显示图像
plt.tight_layout()
plt.show()

print("---------------------2.3 定义train_transforms函数，完成图片尺寸归一化------------------")
total_datadir = 'D:\jupyter notebook\DL-100-days\datasets\P3-天气识别\weather_photos'

# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

total_data = datasets.ImageFolder(total_datadir,transform=train_transforms)
total_data

print("---------------------2.4 划分数据集------------------")
# 使用torch.utils.data.random_split()方法进行数据集划分。
# 该方法将总体数据total_data按照指定的大小比例（[train_size, test_size]）随机划分为训练集和测试集，并将划分结果分别赋值给train_dataset和test_dataset两个变量。
train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
train_dataset, test_dataset

print("---------------------2.4.1 检查训练集、测试集的size------------------")
# ● train_size表示训练集大小，通过将总体数据长度的80%转换为整数得到；
# ● test_size表示测试集大小，是总体数据长度减去训练集大小。
train_size,test_size

print("---------------------2.4.1 检查训练集、测试集的size------------------")
batch_size = 32
# ⭐torch.utils.data.DataLoader()参数详解
train_dl = torch.utils.data.DataLoader(train_dataset,
                                       batch_size=batch_size,
                                       shuffle=True,
                                       num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
                                      batch_size=batch_size,
                                      shuffle=True,
                                      num_workers=1)

for X, y in test_dl:
    print("Shape of X [N, C, H, W]: ", X.shape)
    print("Shape of y: ", y.shape, y.dtype)
    break

在这里插入图片描述

三、搭建网络结构

print("---------------------3. 定义简单CNN网络------------------")
import torch.nn.functional as F

class Network_bn(nn.Module):
    def __init__(self):
        super(Network_bn, self).__init__()
        """
        nn.Conv2d()函数：
        第一个参数（in_channels）是输入的channel数量
        第二个参数（out_channels）是输出的channel数量
        第三个参数（kernel_size）是卷积核大小
        第四个参数（stride）是步长，默认为1
        第五个参数（padding）是填充大小，默认为0
        """
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(12)
        self.conv2 = nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn2 = nn.BatchNorm2d(12)
        self.pool = nn.MaxPool2d(2,2)
        self.conv4 = nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, stride=1, padding=0)
        self.bn4 = nn.BatchNorm2d(24)
        self.conv5 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, stride=1, padding=0)
        self.bn5 = nn.BatchNorm2d(24)
        self.fc1 = nn.Linear(24*50*50, len(classeNames))

    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))      
        x = F.relu(self.bn2(self.conv2(x)))     
        x = self.pool(x)                        
        x = F.relu(self.bn4(self.conv4(x)))     
        x = F.relu(self.bn5(self.conv5(x)))  
        x = self.pool(x)                        
        x = x.view(-1, 24*50*50)
        x = self.fc1(x)

        return x

device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))

model = Network_bn().to(device)
model

在这里插入图片描述

四、开始训练

print("---------------------4. 训练模型------------------")
print("---------------------4.1 设置超参数------------------")
loss_fn    = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-4 # 学习率
opt        = torch.optim.SGD(model.parameters(),lr=learn_rate)

print("---------------------4.2 编写训练函数------------------")
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小，一共60000张图片
    num_batches = len(dataloader)   # 批次数目，1875（60000/32）

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率
    
    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)
        
        # 计算预测误差
        pred = model(X)          # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
        
        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()        # 反向传播
        optimizer.step()       # 每一步自动更新
        
        # 记录acc与loss
        train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()
            
    train_acc  /= size
    train_loss /= num_batches

    return train_acc, train_loss

print("---------------------4.3 编写测试函数------------------")
def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小，一共10000张图片
    num_batches = len(dataloader)          # 批次数目，313（10000/32=312.5，向上取整）
    test_loss, test_acc = 0, 0
    
    # 当不进行训练时，停止梯度更新，节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)
            
            # 计算loss
            target_pred = model(imgs)
            loss        = loss_fn(target_pred, target)
            
            test_loss += loss.item()
            test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc  /= size
    test_loss /= num_batches

    return test_acc, test_loss

print("---------------------4.4 正式训练------------------")
epochs     = 20
train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []

for epoch in range(epochs):
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
    
    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
    
    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)
    
    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
    print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')

在这里插入图片描述

五、查看训练结果

print("---------------------5. 训练结果可视化------------------")
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述
测试准确率Test_Accuracy = 89.8%。

六、总结

尝试提高test_accuracy的值。

【提高准确率方法总结】

6.1 不改变学习率的前提下，将训练epoch分别增加到50、60、70、80、90

不同epoch次数得到的test_accuracy的结果如下表：

epochtest_accuracy
epoch = 5092.4%
epoch = 6093.3%
epoch = 7092.4%
epoch = 8094.2%
epoch = 9090.2%

（1）epoch = 50 的训练情况如下：

得到训练情况如下：
在这里插入图片描述
在这里插入图片描述
结论：50个epoch训练完，test_accuracy = 92.4%。在学习率不变的情况下，增加epoch次数是能够增加test_accuracy的值的。

（2）epoch = 60 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

（3）epoch = 70 的训练情况如下：

在这里插入图片描述

在这里插入图片描述

（4）epoch = 80 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

（5）epoch = 90 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

6.2 在epoch=50、60、70、80、90的基础上修改固定学习率为动态学习率

【参考这里】

使用pytorch提供的学习率，在torch.optim.lr_scheduler内部，基于当前epoch的数值，封装了几种相应的动态学习率调整方法，该部分的官方手册传送门——optim.lr_scheduler官方文档。需要注意的是学习率的调整需要应用在优化器参数更新之后，也就是说：

optimizer = torch.optim.XXXXXXX()#具体optimizer的初始化
scheduler = torch.optim.lr_scheduler.XXXXXXXXXX()#具体学习率变更策略的初始化
for i in range(epoch):
    for data,label in dataloader:
        out = net(data)
        output_loss = loss(out,label)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    scheduler.step()

在这里插入图片描述
设置动态学习率，不同epoch次数的test_accuracy值如下表所示：

epochtest_accuracy
epoch = 5092.0%
epoch = 6093.3%
epoch = 7092.4%
epoch = 8093.3%
epoch = 9087.6%

（1）epoch = 50 的训练情况如下：

训练情况如下：test_accuracy最高能达到92.9%，然后又降下来，等50个epoch都训练完，最终的test_accuracy = 92.0%。
在这里插入图片描述
在这里插入图片描述

（2）epoch = 60 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

（3）epoch = 70 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

（4）epoch = 80 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

（5）epoch = 90 的训练情况如下：

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/279077.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Android studio CMakeLists.txt 打印的内容位置

Android studio CMakeLists.txt 打印的内容位置

最近在学习 cmake 就是在安卓中 , 麻烦的要死 , 看了很多的教程 , 发现没有 多少说对打印位置在哪里 , 先说一下版本信息 , 可能你们也不一样 gradle 配置 apply plugin: com.android.applicationandroid {compileSdkVersion 29buildToolsVersion "29.0.3"defau…
阅读更多...
推荐系统/电商中的 业务指标GMV

推荐系统/电商中的 业务指标GMV

GMV（Gross Merchandise Volume）是指在一定时间内，一个电商平台上所有商品的总销售价值，通常以货币单位（例如美元、人民币等）表示。GMV是一个关键的电商业务指标，用于衡量平台的交易规模和业务增…
阅读更多...
Python 为UnityAndroid端自动化接入Tradplus广告SDK

Python 为UnityAndroid端自动化接入Tradplus广告SDK

Python 为UnityAndroid端自动化接入Tradplus广告SDK Tradplus介绍常规接入进入Android开发文档选择渠道配置生成接入代码人工依赖下载官网同版本的 Unity插件 使用自动化工具接入首次 你需要打两个标记来定位运行工具 控制台会列出最新的十个Tradplus版本 任选其一然后拖入项目…
阅读更多...
数据结构与算法教程，数据结构C语言版教程！（第一部分、数据结构快速入门，数据结构基础详解）四

数据结构与算法教程，数据结构C语言版教程！（第一部分、数据结构快速入门，数据结构基础详解）四

第一部分、数据结构快速入门，数据结构基础详解 数据结构基础，主要研究数据存储的方式。 本章作为数据结构的入门课程，主要让读者明白，数据结构到底是什么，常用的数据存储结构有哪些，数据结构和算法之间到底…
阅读更多...
Mac Pycharm在Debug模式报编码（SyntaxError）错误

Mac Pycharm在Debug模式报编码（SyntaxError）错误

1. 错误信息： Traceback (most recent call last):File "/Library/Developer/CommandLineTools/Library/Frameworks/Python3.framework/Versions/3.9/lib/python3.9/tokenize.py", line 330, in find_cookieline_string line.decode(utf-8) UnicodeDeco…
阅读更多...
TiDB故障处理之让人迷惑的Region is Unavailable

TiDB故障处理之让人迷惑的Region is Unavailable

背景 最近某集群扩容了一批物理机，其中 TiKV 节点有6台机器12个实例，同时调整了 label 设置增加了一层机柜级容灾。因为前期做了比较充分的准备工作，到了变更窗口只等着执行scale-out就行，操作过程也很顺利，很快就把所…
阅读更多...
Linux之定时任务调度

Linux之定时任务调度

crond crond是Linux系统中的一个守护进程，主要用于周期性地执行某种任务或等待处理某些事件。而crondtab是配套的工作，用于定时任务的设置。 语法 crontab [选项]常用选项 入门案例 执行crontab -e命令输入任务到调度文件中 */1 * * * * ls -l /et…
阅读更多...
burpsuite模块介绍之repeater

burpsuite模块介绍之repeater

导语 repeater是一个用于手动操作和发送个别HTTP请求的简单工具，它可以帮助您分析应用程序的响应。您可以使用repeater从Burp Suite的任何位置发送内部请求，然后修改请求并发送。通过这种方式，您可以测试和调试应用程序，并对请求…
阅读更多...
爬虫工作量由小到大的思维转变---＜第三十五章 Scrapy 的scrapyd+Gerapy 部署爬虫项目＞

爬虫工作量由小到大的思维转变---＜第三十五章 Scrapy 的scrapyd+Gerapy 部署爬虫项目＞

前言: 项目框架没有问题大家布好了的话,接着我们就开始部署scrapy项目(没搭好架子的话,看我上文爬虫工作量由小到大的思维转变---＜第三十四章 Scrapy 的部署scrapydGerapy＞-CSDN博客) 正文: 1.创建主机: 首先gerapy的架子,就相当于部署服务器上的;所以…
阅读更多...
Vue2 - v-model 简介

Vue2 - v-model 简介

目录 1，原理1.1，作用于表单元素1.2，作用于自定义组件 2，编译结果展示2.2，表单元素2.1，自定义组件 1，原理 官网参考 v-model 是一个语法糖，最终会生成一个属性和一个事件。并且即可…
阅读更多...
Android NDK打包armeabi平台架包

Android NDK打包armeabi平台架包

NDK打包armeabi 1.降低NDK版本和Cmake版本 sdk.dirE\:\\Android\\sdk //指定ndk版本，不指定默认使用最新的NDK ndk.dirE\:\\Android\\sdk\\ndk\\16.1.4479499修改builde.gradle(app) android{defaultConfig{...//配置 AS 工程的 C/C 源文件编译参数externalNativ…
阅读更多...
【算法与数据结构】435、LeetCode无重叠区间

【算法与数据结构】435、LeetCode无重叠区间

文章目录 一、题目二、解法三、完整代码 所有的LeetCode题解索引，可以看这篇文章——【算法和数据结构】LeetCode题解。 一、题目 二、解法 思路分析：思路和【算法与数据结构】452、LeetCode用最少数量的箭引爆气球类似，也是排序找重叠区间。…
阅读更多...
利用Pandas进行高效网络数据获取

利用Pandas进行高效网络数据获取

利用Pandas进行高效网络数据获取 背景： ​ 最近看到一篇关于使用Pandas模块进行爬虫的文章，觉得很有趣，这里为大家详细说明。 基础铺垫： ​ pd.read_html pandas 库中的一个函数，用于从 HTML 页面中读取表格数据并…
阅读更多...
MacBook查看本机IP

MacBook查看本机IP

嘚吧嘚 其实这也不是什么困难的问题，但是今年刚刚入坑Mac，外加用的频率不是很高，每次使用的时候都查，用完就忘，下次用的时候再查🤮。真的把自己恶心坏了🙈。 所以写篇文章记录一下&#x1f92…
阅读更多...
Java学习——设计模式——结构型模式1

Java学习——设计模式——结构型模式1

文章目录 结构型模式代理模式适配器模式 结构型模式 结构型模式主要涉及如何组合各种对象以便获得更好、更灵活的结构。虽然面向对象的继承机制提供了最基本的子类扩展父类的功能，但结构型模式不仅仅简单地使用继承，而更多地通过组合与运行期的动态组合来…
阅读更多...
uniapp多级动态表单规则

uniapp多级动态表单规则

最近有个新的业务、主要涉及多层级的动态表单提交，其中又涉及很多类型，踩了很多坑之后，终于研发完毕。 传来的数据格式处理 传来的数据格式涉及比较多的内容，以下举例一个，涉及到规则的填写 规则写法有两种&#xff…
阅读更多...
[足式机器人]Part4 南科大高等机器人控制课 CH12 Robotic Motion Control

[足式机器人]Part4 南科大高等机器人控制课 CH12 Robotic Motion Control

本文仅供学习使用 本文参考： B站：CLEAR_LAB 笔者带更新-运动学 课程主讲教师： Prof. Wei Zhang 课程链接 ： https://www.wzhanglab.site/teaching/mee-5114-advanced-control-for-robotics/ 南科大高等机器人控制课 Ch12 Robotic …
阅读更多...
Android MVC 写法

Android MVC 写法

前言 Model：负责数据逻辑 View：负责视图逻辑 Controller：负责业务逻辑 持有关系： 1、View 持有 Controller 2、Controller 持有 Model 3、Model 持有 View 辅助工具：ViewBinding 执行流程：View >…
阅读更多...
【Python排序算法系列】—— 选择排序

【Python排序算法系列】—— 选择排序

​ 🌈个人主页: Aileen_0v0 🔥热门专栏: 华为鸿蒙系统学习|计算机网络|数据结构与算法 💫个人格言:"没有罗马,那就自己创造罗马~" 目录 选择排序 过程演示： 选择排序实现代码： 分析选择排序&#xff1a…
阅读更多...
Word 将页面方向更改为横向或纵向

Word 将页面方向更改为横向或纵向

文章目录 更改整个文档的方向更改部分页面的方向方法1：方法2： 参考链接 更改整个文档的方向 选择“布局”>“方向”，选择“纵向”或“横向”。 更改部分页面的方向 需要达到下图结果： 方法1： 选:中你要在横向页面…
阅读更多...
最新文章

Copyright @ 2022~2023