「@Author：Runsen」

上次微調了Alexnet，這次微調ResNet實現(xiàn)男人和女人圖像分類。

ResNet是 Residual Networks 的縮寫，是一種經典的神經網絡，用作許多計算機視覺任務。

• ResNet論文參見此處：

https://arxiv.org/abs/1512.03385

該模型是 2015 年 ImageNet 挑戰(zhàn)賽的獲勝者。ResNet 的根本性突破是它使我們能夠成功訓練 150 層以上的極深神經網絡。

下面是resnet18的整個網絡結構：

Resnet 18 是在 ImageNet 數(shù)據(jù)集上預訓練的圖像分類模型。

這次使用Resnet 18 實現(xiàn)分類性別數(shù)據(jù)集，

該性別分類數(shù)據(jù)集共有58,658 張圖像。（train：47,009 / val：11,649）

femalemale

• Dataset: Kaggle Gender Classification Dataset

加載數(shù)據(jù)集

設置圖像目錄路徑并初始化 PyTorch 數(shù)據(jù)加載器。和之前一樣的模板套路

import?torch import?torch.nn?as?nn import?torch.optim?as?optimimport?torchvision from?torchvision?import?datasets,?models,?transformsimport?numpy?as?np import?matplotlib.pyplot?as?pltimport?time import?osdevice?=?torch.device("cuda:0"?if?torch.cuda.is_available()?else?"cpu")?#?device?objecttransforms_train?=?transforms.Compose([transforms.Resize((224,?224)),transforms.RandomHorizontalFlip(),?#?data?augmentationtransforms.ToTensor(),transforms.Normalize([0.485,?0.456,?0.406],?[0.229,?0.224,?0.225])?#?normalization ])transforms_val?=?transforms.Compose([transforms.Resize((224,?224)),transforms.ToTensor(),transforms.Normalize([0.485,?0.456,?0.406],?[0.229,?0.224,?0.225]) ])data_dir?=?'./gender_classification_dataset' train_datasets?=?datasets.ImageFolder(os.path.join(data_dir,?'Training'),?transforms_train) val_datasets?=?datasets.ImageFolder(os.path.join(data_dir,?'Validation'),?transforms_val)train_dataloader?=?torch.utils.data.DataLoader(train_datasets,?batch_size=16,?shuffle=True,?num_workers=4) val_dataloader?=?torch.utils.data.DataLoader(val_datasets,?batch_size=16,?shuffle=True,?num_workers=4)print('Train?dataset?size:',?len(train_datasets)) print('Validation?dataset?size:',?len(val_datasets))class_names?=?train_datasets.classes print('Class?names:',?class_names) plt.rcParams['figure.figsize']?=?[12,?8] plt.rcParams['figure.dpi']?=?60 plt.rcParams.update({'font.size':?20})def?imshow(input,?title):#?torch.Tensor?=>?numpyinput?=?input.numpy().transpose((1,?2,?0))#?undo?image?normalizationmean?=?np.array([0.485,?0.456,?0.406])std?=?np.array([0.229,?0.224,?0.225])input?=?std?*?input?+?meaninput?=?np.clip(input,?0,?1)#?display?imagesplt.imshow(input)plt.title(title)plt.show()#?load?a?batch?of?train?image iterator?=?iter(train_dataloader)#?visualize?a?batch?of?train?image inputs,?classes?=?next(iterator) out?=?torchvision.utils.make_grid(inputs[:4]) imshow(out,?title=[class_names[x]?for?x?in?classes[:4]])

定義模型

我們使用遷移學習方法，只需要修改最后的輸出即可。

model?=?models.resnet18(pretrained=True) num_features?=?model.fc.in_features model.fc?=?nn.Linear(num_features,?2)?#?binary?classification?(num_of_class?==?2) model?=?model.to(device)criterion?=?nn.CrossEntropyLoss() optimizer?=?optim.SGD(model.parameters(),?lr=0.001,?momentum=0.9)

訓練階段

由于ResNet18網絡非常復雜，深，這里只訓練num_epochs = 3

num_epochs?=?3 start_time?=?time.time()for?epoch?in?range(num_epochs):"""?Training??"""model.train()running_loss?=?0.running_corrects?=?0#?load?a?batch?data?of?imagesfor?i,?(inputs,?labels)?in?enumerate(train_dataloader):inputs?=?inputs.to(device)labels?=?labels.to(device)optimizer.zero_grad()outputs?=?model(inputs)_,?preds?=?torch.max(outputs,?1)loss?=?criterion(outputs,?labels)#?get?loss?value?and?update?the?network?weightsloss.backward()optimizer.step()running_loss?+=?loss.item()?*?inputs.size(0)running_corrects?+=?torch.sum(preds?==?labels.data)epoch_loss?=?running_loss?/?len(train_datasets)epoch_acc?=?running_corrects?/?len(train_datasets)?*?100.print('[Train?#{}]?Loss:?{:.4f}?Acc:?{:.4f}%?Time:?{:.4f}s'.format(epoch,?epoch_loss,?epoch_acc,?time.time()?-?start_time))"""?Validation"""model.eval()with?torch.no_grad():running_loss?=?0.running_corrects?=?0for?inputs,?labels?in?val_dataloader:inputs?=?inputs.to(device)labels?=?labels.to(device)outputs?=?model(inputs)_,?preds?=?torch.max(outputs,?1)loss?=?criterion(outputs,?labels)running_loss?+=?loss.item()?*?inputs.size(0)running_corrects?+=?torch.sum(preds?==?labels.data)epoch_loss?=?running_loss?/?len(val_datasets)epoch_acc?=?running_corrects?/?len(val_datasets)?*?100.print('[Validation?#{}]?Loss:?{:.4f}?Acc:?{:.4f}%?Time:?{:.4f}s'.format(epoch,?epoch_loss,?epoch_acc,?time.time()?-?start_time))

「保存訓練好的模型文件」

save_path?=?'face_gender_classification_transfer_learning_with_ResNet18.pth' torch.save(model.state_dict(),?save_path)

「訓練好的模型文件加載」

model?=?models.resnet18(pretrained=True) num_features?=?model.fc.in_features model.fc?=?nn.Linear(num_features,?2)? model.load_state_dict(torch.load(save_path)) model.to(device)model.eval() start_time?=?time.time()with?torch.no_grad():running_loss?=?0.running_corrects?=?0for?i,?(inputs,?labels)?in?enumerate(val_dataloader):inputs?=?inputs.to(device)labels?=?labels.to(device)outputs?=?model(inputs)_,?preds?=?torch.max(outputs,?1)loss?=?criterion(outputs,?labels)running_loss?+=?loss.item()?*?inputs.size(0)running_corrects?+=?torch.sum(preds?==?labels.data)if?i?==?0:print('[Prediction?Result?Examples]')images?=?torchvision.utils.make_grid(inputs[:4])imshow(images.cpu(),?title=[class_names[x]?for?x?in?labels[:4]])images?=?torchvision.utils.make_grid(inputs[4:8])imshow(images.cpu(),?title=[class_names[x]?for?x?in?labels[4:8]])epoch_loss?=?running_loss?/?len(val_datasets)epoch_acc?=?running_corrects?/?len(val_datasets)?*?100.print('[Validation?#{}]?Loss:?{:.4f}?Acc:?{:.4f}%?Time:?{:.4f}s'.format(epoch,?epoch_loss,?epoch_acc,?time.time()?-?start_time))

在最后的測試結果中，ACC達到了97，但是模型太復雜，運行太慢了，在項目中往往不可取。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統(tǒng)計學習方法》的代碼復現(xiàn)專輯 AI基礎下載機器學習的數(shù)學基礎專輯黃海廣老師《機器學習課程》課件合集 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【小白学习PyTorch教程】十四、迁移学习：微调ResNet实现男人和女人图像分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。