图像分类是深度学习中的一个常见任务，它可以将图像分到预定义的类别中。本文将介绍如何使用Python和PyTorch库进行简单的图像分类任务。

1. 准备数据集 首先，我们需要准备一个图像数据集，其中包含不同类别的图像。你可以使用自己的数据集，也可以使用公开的数据集。在本示例中，我们将使用PyTorch内置的CIFAR-10数据集，它包含10个类别的60000张32x32彩色图像。

2. 导入库和数据集

import torch import torchvision import torchvision.transforms as transforms

定义数据预处理操作

transform = transforms.Compose([ transforms.ToTensor(), # 将图像转换为PyTorch张量 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 标准化图像数据 ])

加载CIFAR-10数据集

trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') 3. 定义神经网络模型 我们将使用一个简单的卷积神经网络模型来进行图像分类。

import torch.nn as nn import torch.nn.functional as F

class Net(nn.Module): def init(self): super(Net, self).init() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10)

def forward(self, x):
    x = self.pool(F.relu(self.conv1(x)))
    x = self.pool(F.relu(self.conv2(x)))
    x = x.view(-1, 16 * 5 * 5)
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)
    return x

net = Net() 4. 定义损失函数和优化器

import torch.optim as optim

criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) 5. 训练模型

for epoch in range(2): # 遍历数据集多次

running_loss = 0.0
for i, data in enumerate(trainloader, 0):
    inputs, labels = data

    optimizer.zero_grad()  # 梯度清零

    outputs = net(inputs)  # 前向传播
    loss = criterion(outputs, labels)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新权重

    running_loss += loss.item()
    if i % 2000 == 1999:  # 每2000个小批量数据打印一次损失值
        print('[%d, %5d] loss: %.3f' %
              (epoch + 1, i + 1, running_loss / 2000))
        running_loss = 0.0

print('Finished Training') 6. 测试模型

correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) 更多内容联系q1436423940