Python卷积神经网络图像分类：优化代码与分析

本文介绍如何使用Python和PyTorch构建一个简单的卷积神经网络(CNN)，用于图像分类任务。我们将提供一个优化后的代码版本，并解释其工作原理。

优化后的代码

以下是优化后的代码：pythonimport osimport torchfrom torch import nn, optimfrom torchvision import datasets, transformsfrom torch.utils.data import DataLoader

设置训练集和测试集的文件夹路径train_dir = 'path/to/train/directory'test_dir = 'path/to/test/directory'

获取训练集图片文件名列表train_files = os.listdir(train_dir)

推断测试集图片的命名规律test_files = [file_name.replace('train', 'test') for file_name in train_files]

数据预处理transform = transforms.Compose([ transforms.Resize(28), transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

加载训练集和测试集train_data = datasets.ImageFolder(train_dir, transform=transform)test_data = datasets.ImageFolder(test_dir, transform=transform)

trainloader = DataLoader(train_data, batch_size=64, shuffle=True)testloader = DataLoader(test_data, batch_size=64, shuffle=True)

定义卷积神经网络模型class ColorCNN(nn.Module): def init(self): super(ColorCNN, self).init() self.conv1 = nn.Conv2d(3, 16, 3, padding=1) self.conv2 = nn.Conv2d(16, 32, 3, padding=1) self.pool = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(32 * 7 * 7, 128) self.dropout = nn.Dropout(0.2) self.fc2 = nn.Linear(128, 2) self.relu = nn.ReLU()

def forward(self, x):        x = self.pool(self.relu(self.conv1(x)))        x = self.pool(self.relu(self.conv2(x)))        x = x.view(-1, 32 * 7 * 7)        x = self.dropout(x)        x = self.relu(self.fc1(x))        x = self.dropout(x)        x = self.fc2(x)        return x

创建模型实例并定义优化器和损失函数model = ColorCNN()criterion = nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=0.001)

训练模型for epoch in range(10): running_loss = 0.0 for images, labels in trainloader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1} - Training loss: {running_loss / len(trainloader)}')

模型评估correct = 0total = 0with torch.no_grad(): for images, labels in testloader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += torch.eq(predicted, labels).sum().item()accuracy = correct / totalprint(f'Test accuracy: {accuracy}')

打印测试集图片文件名列表print('测试集图片文件名列表:', test_files)

代码分析

• 列表推导式: 使用 [file_name.replace('train', 'test') for file_name in train_files] 生成 test_files 列表，使代码更简洁易读。* 清晰的注释: 代码中添加了详细的注释，方便理解每一步操作。* 数据预处理: 使用 torchvision.transforms 对图像进行预处理，包括调整大小、转换为张量和标准化。* 模型定义: 使用 torch.nn 模块定义了一个简单的卷积神经网络模型。* 训练和评估: 使用训练集训练模型，并使用测试集评估模型性能。

总结

这段代码展示了如何使用PyTorch构建一个简单的图像分类器。通过使用列表推导式等技巧，我们能够使代码更加简洁高效。