资源经验分享以Mnist为例从头开始自己建立数据集,搭建resnet34,识别Mnist

以Mnist为例从头开始自己建立数据集,搭建resnet34,识别Mnist

2019-11-21 | |  60 |   0

原标题:以Mnist为例从头开始自己建立数据集,搭建resnet34,识别Mnist

原文来自:博客园      原文链接:https://www.cnblogs.com/hujinzhou/p/jiazhou2019_6_1.html


写在前面:

       本人小白研一,刚开始学习深度学习,将自己的第一个实验过程总结下来,看了很多的大牛的博客,在下面的程序中也参考了很多大牛的博客。在刚开始入门的学习的时候,直接编写程序下载数据集,但是后来觉得可能会用到自己手动构建数据集。所以自己参考了一些博客,尝试了从自己手动构造数据集——搭建Resnet34网络——训练——验证的一整个过程。下面将自己的实验过程记录如下。本文重点介绍自己构建数据集与神经网络搭建部分

本人才疏学浅,刚入门,有错误纰漏的地方恳请各位批评指正。

第一章: 

       首先需要自己构建Mnist数据集,当然也可以自己从网络上下载。在这里,由于本人有点作,想尝试自己构造数据集,话不多说,直接贴代码


 #!/usr/bin/env python 3.6
#_*_coding:utf-8 _*_
#@Time    :2019/11/7 9:10
#@Author  :控制工程小白
#@FileName: 自己制作Mnist数据集.py

#@Software: PyCharm
import torch
import torchvision
from skimage import io
#import os
mnist_train=torchvision.datasets.MNIST('./make_mnistdata',train=True,download=True)#首先下载数据集,并数据分割成训练集与数据集
mnist_test=torchvision.datasets.MNIST('./make_mnistdata',train=False,download=True)
print('testset:',len(mnist_test))
#txt_path = "G:/Mnist_Recognition/mnist_label.txt"
# if not os.path.exists(txt_path):
#     os.makedirs(txt_path)
f=open("./mnist_test.txt",'w')#在指定路径之下生成.txt文件
for i,(img,label) in enumerate(mnist_test):
    img_path = "./mnist_test/" + str(i) + ".jpg"
    io.imsave(img_path, img)#将图片数据以图片.jpg格式存在指定路径下
    img_paths=img_path+str(i)+".jpg"
    f.write(img_path+' '+str(label)+'n')#将路径与标签组合成的字符串存在.txt文件下
f.close()#关闭文件


注意,在运行这段代码之前应该在根目录下新建一个mnist_train文件夹用于存放训练集的图片,新建mnist_test文件夹用于存放测试集的图片,运行这段代码之后会生成一个mnist_test.txt与mnist_train.txt 文件,用来储存各个字符串,这个字符串由每个图片的路径与对应的标签组成,至于这样做有什么用,请看下文。贴一下上述代码运行结果

 

 20191118180009718.png

 

newsimg1108_05.png

 

 第二章:

           下面将会用到上一章生成的.txt 文件,先上代码


 #!/usr/bin/env python 3.6
#_*_coding:utf-8 _*_
#@Time    :2019/11/7 11:38
#@Author  :控制工程小白
#@FileName: My_dataset.py

#@Software: PyCharm
from PIL import Image
import torch
from torch.utils import data
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
class MyDataset(data.Dataset):
    def __init__(self,datatxt,transform=None,target_transform=None):
        super(MyDataset,self).__init__()
        fh=open(datatxt,'r')#读取标签文件.txt
        imgs=[]#暂时定义一个空的列表
        for line in fh:
            line.strip('n')#出去字符串末尾的空格、制表符
            words=line.split()#将路径名与标签分离出来
            imgs.append((words[0],int(words[1])))#word[0]表示图片的路径名,word[1]表示该数字图片对应的标签
        self.imgs=imgs
        self.transform=transform
        self.target_transform=target_transform
        #self.loader=loader
    def __getitem__(self, index):
        fn,label=self.imgs[index]#fn表示图片的路径
        img = Image.open(fn)#.convert('RGB'),这里时候需要转换成RGB图像视神经网络结构而定,读取文件的路径名,也即打开图片
        if self.transform is not None:
            img=self.transform(img)
        return img,label#返回图片与标签
    def __len__(self):
        return len(self.imgs)


这段代码构造了一个类,用于获取刚刚建立的数据集,思想就是读取刚刚建立的.txt文件,将其中的图片的路径名与该图片对应的标签分离,然后根据根据图片的路径名获取数据集。

第三章:

          搭建神经网络,随着深度学习的发展,已经出现了很多种神经网络,一般而言,神经网络越深越好,但是神经网络的维度太深的话,会导致神经网络过拟合,于是开发者开发了一种残差神经网络Resnet,它是由很多个残差快组成,每个残差块都包含跳连接,防止过拟合,这样可以达到网络更深同时性能不会受到过拟合的影响。

newsimg1108_06.png

 

 

 

newsimg1108_07.png

 

 

 下面直接贴Resnet34代码


#!/usr/bin/env python 3.6#_*_coding:utf-8 _*_#@Time    :2019/11/7 15:44#@Author  :hujinzhou #@FileName: neural_network4.py#@Software: PyCharmimport torch.nn as nnclass Reslock(nn.Module):     def __init__(self, in_channels, out_channels, stride=1):
         super(Reslock, self).__init__()        
         self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1)
         self.bn1 = nn.BatchNorm2d(out_channels)
         self.relu = nn.ReLU(inplace=True)         
         self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1)
         self.bn2 = nn.BatchNorm2d(out_channels)         if in_channels != out_channels:
            self.downsample = nn.Sequential(
                 nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=2),
                 nn.BatchNorm2d(out_channels)
             )         else:            
             self.downsample = None     def forward(self, x):
         identity = x

         out = self.conv1(x)
         out = self.bn1(out)
         out = self.relu(out)

         out = self.conv2(out)
         out = self.bn2(out)         if self.downsample is not None:
             identity = self.downsample(x)

         out += identity
         out = self.relu(out)         return outclass ResNet34(nn.Module):     def __init__(self, num_classes=10):
         super(ResNet34, self).__init__()         
         self.first = nn.Sequential(             
             nn.Conv2d(1, 64, 7, 2, 3),
             nn.BatchNorm2d(64),
             nn.ReLU(inplace=True),            
             nn.MaxPool2d(3, 1, 1)
         )        
         self.layer1 = self.make_layer(64, 64, 3, 1)       
         self.layer2 = self.make_layer(64, 128, 4, 2)  
         self.layer3 = self.make_layer(128, 256, 6, 2)  
         self.layer4 = self.make_layer(256, 512, 3, 2)
         self.avg_pool = nn.AvgPool2d(2)  
         self.fc = nn.Linear(512, num_classes)     def make_layer(self, in_channels, out_channels, block_num, stride):
         layers = []                  layers.append(Reslock(in_channels, out_channels, stride))                 for i in range(block_num - 1):
             layers.append(Reslock(out_channels, out_channels, 1))         return nn.Sequential(*layers)     def forward(self, x):
         x = self.first(x)
         x = self.layer1(x)
         x = self.layer2(x)
         x = self.layer3(x)
         x = self.layer4(x)
         x = self.avg_pool(x)         # x.size()[0]: batch size
         x = x.view(x.size()[0], -1)
         x = self.fc(x)         return x


第四章:

          上述过程弄好了,下面的过程就非常简单了,下面直接训练并识别验证就可以了,训练代码与验证代码就很简单了,在本文中直接贴训练结果图与识别精度图

 

 

 

 

newsimg1108_08.png

newsimg1108_09.png

 

 

免责声明:本文来自互联网新闻客户端自媒体,不代表本网的观点和立场。

合作及投稿邮箱:E-mail:editor@tusaishared.com

上一篇:windows10下安装tensorflow2.0-GPU和Cupy(不用搞CUDA+cudnn

下一篇:无人系统路径规划开发流程(避障方向)含代码

用户评价
全部评价

热门资源

  • Python 爬虫(二)...

    所谓爬虫就是模拟客户端发送网络请求,获取网络响...

  • TensorFlow从1到2...

    原文第四篇中,我们介绍了官方的入门案例MNIST,功...

  • TensorFlow从1到2...

    “回归”这个词,既是Regression算法的名称,也代表...

  • 机器学习中的熵、...

    熵 (entropy) 这一词最初来源于热力学。1948年,克...

  • TensorFlow2.0(10...

    前面的博客中我们说过,在加载数据和预处理数据时...