import osimport sysimport jsonimport torchimport torchnn as nnimport torchoptim as optimfrom torchvision import transforms datasetsfrom tqdm import tqdmfrom model_v2 import MobileNetV2def main devi

该代码用于训练一个基于MobileNetV2的图像分类模型。

首先，代码导入了所需的库和模块，包括torch、torchvision、os、sys、json和tqdm。然后，定义了主函数main()。

在main()函数中，首先检查是否有可用的GPU设备，如果有则使用GPU，否则使用CPU。

接下来，设置批量大小（batch_size）和训练轮数（epochs）。

然后，定义了数据的预处理变换，包括训练集和验证集的预处理变换。同时，获取数据集的根路径和图像路径，以及训练集和验证集的数量。

接着，创建了训练集和验证集的数据加载器，并打印出训练集和验证集的数量。

然后，创建了MobileNetV2模型，并加载预训练的权重。同时，将模型的features部分的参数设置为不可训练。

定义了损失函数和优化器。

接下来，开始训练过程。在每个epoch中，首先将模型设置为训练模式，然后遍历训练集数据，并进行前向传播、计算损失、反向传播和优化器的更新。同时，打印出当前epoch的训练损失。

然后，将模型设置为评估模式，遍历验证集数据，并计算准确率。同时，打印出当前epoch的验证准确率。

如果当前epoch的验证准确率比之前的最佳准确率还要高，则保存模型的权重。

最后，打印出训练结束的提示信息。

在代码的最后，调用main()函数来运行整个训练过程。