一、自定義數(shù)據(jù)集

現(xiàn)有數(shù)據(jù)如下：

5個文件夾，每個文件夾是神奇寶貝的一種。

每個圖片形狀、大小、格式不一。

我們訓(xùn)練CNN的時候需要的是tensor類型的數(shù)據(jù)，因此需要將所有的圖片進(jìn)行下列轉(zhuǎn)換：

1.對文件夾編號，進(jìn)行映射，比如妙蛙種子文件夾編號0，皮卡丘編號1等。

2.對文件夾中所有圖片，進(jìn)行編號的對應(yīng)，這個就是標(biāo)簽。并保存為一個csv文件。

3.圖片信息獲取：分為train,val,test

4.處理圖片，使其成為torch可以處理的類型

1.文件夾映射

前半部分為文件夾的映射。我們希望傳入數(shù)據(jù)的時候直接傳入文件夾的名字，而文件夾所在的路徑就是py文件所在的路徑，因此這樣可以直接讀取。對于路徑的操作使用os.path.join進(jìn)行。

2.圖片對應(yīng)標(biāo)簽

輸入的filename，就是我們將圖片和標(biāo)簽信息存儲的文件。

使用glob.glob方法，可以輕松調(diào)取路徑下的所有指定類型的文件。

將名字和標(biāo)簽對應(yīng)好后，通過csv.writer，可以將信息以csv格式寫入新文件。

以上是保存的部分，在這個函數(shù)中，我們還要重新讀取一下這個文件，因為要在這個類中獲得最終的圖片，以及標(biāo)簽，并且返回。

3.訓(xùn)練及測試數(shù)據(jù)分割

這里是第一步的圖片的后半部分，導(dǎo)入了圖片之后，對其進(jìn)行分割，這里是按照訓(xùn)練、交叉驗證、測試，分別是0.6,0.2,0.2進(jìn)行分割的。

分割完畢后的self.images, self.labels，就可以拿來進(jìn)行tensor相關(guān)的處理了。

4.數(shù)據(jù)處理

上面幾步是準(zhǔn)備工作，接下來定義的__getitem__是為了能夠使train_loader = DataLoader()這一語句實現(xiàn)。在這里面直接將數(shù)據(jù)進(jìn)行我們希望進(jìn)行的轉(zhuǎn)換。比如大小、旋轉(zhuǎn)、裁剪等。

最后返回處理好的圖片，以及tensor化的標(biāo)簽。

另外，還需要定義一個__len__，使得我們可以獲得數(shù)據(jù)集長度。

二、ResNet處理

我們要用ResNet對圖片進(jìn)行處理，因此其中的參數(shù)需要進(jìn)行一定的修改。

主要的修改部分是ResNet18之中的resblock模塊。因為我們希望輸入的是3通道，224*224的圖片，因此在這里對通道，步長進(jìn)行一定的修改，并進(jìn)行測試，成功之后便可以進(jìn)行訓(xùn)練了。

三、訓(xùn)練及可視化

1.數(shù)據(jù)集導(dǎo)入

同時把GPU設(shè)備相關(guān)代碼準(zhǔn)備好，并且由于需要可視化，因此先實例化visdom，并且在終端上輸入python -m visdom.server，打開visdom監(jiān)視終端。

2.測試函數(shù)

先把模式改為eval()，接下來就是通過model，去訓(xùn)練測試集，得到標(biāo)簽，并統(tǒng)計正確率。

3.訓(xùn)練過程及可視化

和之前的一樣，還是先實例化一個優(yōu)化器，選擇損失函數(shù)模式，實例化ResNet18，然后進(jìn)行訓(xùn)練。

在這里由于要展示，因此先對損失值，交叉驗證分?jǐn)?shù)分別設(shè)置一個初始的線，通過append的方法，畫出我們的損失曲線，以及交叉驗證分?jǐn)?shù)曲線。

通過torch.save方法存儲我們的最優(yōu)解。

最后通過把存儲好的最優(yōu)解調(diào)用起來，使用測試集，來測試最終的效果。

最終獲得的交叉驗證準(zhǔn)確率89%，測試集準(zhǔn)確率88%，損失值及交叉驗證結(jié)果的圖像如下：

以上就是人工智能學(xué)習(xí)pyTorch自建數(shù)據(jù)集及可視化結(jié)果實現(xiàn)過程的詳細(xì)內(nèi)容，更多關(guān)于pyTorch自建數(shù)據(jù)集及可視化結(jié)果實現(xiàn)的資料請關(guān)注服務(wù)器之家其它相關(guān)文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121164368