PyTorch 图像分类系统: 使用 ResNet-101 和 ImageNet 数据集

以下是一个使用 PyTorch 框架和 ResNet-101 模型，基于 ImageNet 数据集的图像分类系统示例:

导入所需的库和模块:

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torchvision.datasets import ImageNet
from torch.utils.data import DataLoader
from torchvision.models import resnet101

设置参数和数据预处理:

# 设置参数
num_classes = 1000  # ImageNet 数据集的类别数
batch_size = 32

# 数据预处理
data_transforms = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

加载和准备数据集:

# 加载 ImageNet 数据集
train_dataset = ImageNet(root='path/to/train_data', split='train', transform=data_transforms)
val_dataset = ImageNet(root='path/to/val_data', split='val', transform=data_transforms)

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=batch_size)

确保将 'path/to/train_data' 和 'path/to/val_data' 替换为你实际的训练和验证数据集的路径。

定义模型和损失函数:

# 加载预训练的 ResNet-101 模型
model = resnet101(pretrained=True)

# 将最后一层全连接层替换为新的分类器
model.fc = nn.Linear(model.fc.in_features, num_classes)

# 定义损失函数
criterion = nn.CrossEntropyLoss()

定义优化器和学习率调度器:

# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 定义学习率调度器
lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)

训练模型:

# 训练模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)

num_epochs = 10
for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0
    for images, labels in train_loader:
        images = images.to(device)
        labels = labels.to(device)

        optimizer.zero_grad()

        outputs = model(images)
        loss = criterion(outputs, labels)

        loss.backward()
        optimizer.step()

        running_loss += loss.item()

    epoch_loss = running_loss / len(train_loader)

    print(f'Epoch {epoch+1}/{num_epochs}, Loss: {epoch_loss:.4f}')

    model.eval()
    correct = 0
    total = 0
    with torch.no_grad():
        for images, labels in val_loader:
            images = images.to(device)
            labels = labels.to(device)

            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)

            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    val_accuracy = 100 * correct / total
    print(f'Validation Accuracy: {val_accuracy:.2f}%')

    lr_scheduler.step()

请确保使用合适的计算设备（如GPU）进行训练，同时替换 'path/to/train_data' 和 'path/to/val_data' 为实际的数据集路径。

以上示例提供了一个基于 PyTorch 和 ResNet-101 的图像分类系统的基本框架和训练过程。你可以根据自己的需求进行进一步的定制和修改。

PyTorch 图像分类系统: 使用 ResNet-101 和 ImageNet 数据集