PyTorch 图像分类教程

PyTorch 是一个流行的深度学习框架，用于图像分类是一个常用的应用场景。以下是一些关于 PyTorch 图像分类的教程和资源。

教程列表

• PyTorch 官方文档 - 图像分类
• PyTorch 中文社区 - 图像分类教程

实践案例

在下面的例子中，我们将使用 CIFAR-10 数据集来训练一个简单的卷积神经网络（CNN）来进行图像分类。

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

# 数据预处理
transform = 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])])

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

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

# 模型定义
model = models.resnet18(pretrained=True)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10)

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

# 训练过程
for epoch in range(2):  # loop over the dataset multiple times

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

        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
            running_loss = 0.0

print('Finished Training')

# 保存模型
torch.save(model.state_dict(), 'cifar10_resnet18.pth')

图片示例

希望这些教程能帮助您更好地理解和使用 PyTorch 进行图像分类。