当前速读：机器学习——果蔬分类

手机

iphone11大小尺寸是多少？苹果iPhone11和iPhone13的区别是什么？

警方通报辅警执法直播中被撞飞：犯罪嫌疑人已投案

当前速读：机器学习——果蔬分类

2022-12-23 13:15:38 来源：博客园

一、选题的背景

(资料图片仅供参考)

为了实现对水果和蔬菜的分类识别，收集了香蕉、苹果、梨、葡萄、橙子、猕猴桃、西瓜、石榴、菠萝、芒果、黄瓜、胡萝卜、辣椒、洋葱、马铃薯、柠檬、番茄、萝卜、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、萝卜、玉米、甜玉米、红薯、辣椒粉、生姜、大蒜、豌豆、茄子共36种果蔬的图像。该项目使用resnet18网络进行分类。

二、机器学习案例设计方案

1.本选题采用的机器学习案例（训练集与测试集）的来源描述

数据集来自百度AI studio平台（https://aistudio.baidu.com/aistudio/datasetdetail/119023/0），共包含36种果蔬，每一个类别包括100张训练图像，10张测试图像和10张验证图像。

2 采用的机器学习框架描述

本次使用的网络框架，主要用到了二维卷积、激活函数、最大池化、Dropout和全连接，下面将对搭建的网络模型进行解释。

首先是一个二维卷积层，输入通道数为3，输出通道数为100，卷积核大小是3*3，填充大小是1*1。输入通道数为3是因为这个是第一层卷积，输入的是RGB图像，具有三个通道，输出通道数量可以根据实际情况自定。填充是因为希望在卷积后，不要改变图像的尺寸。

在卷积层之后是一个RELU激活函数，如果不用激活函数，在这种情况下每一层输出都是上层输入的线性函数。容易验证，无论神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当。因此引入非线性函数作为激活函数，这样深层神经网络就有意义了（不再是输入的线性组合，可以逼近任意函数）。最早的想法是sigmoid函数或者tanh函数，输出有界，很容易充当下一层输入。

引入RELU激活函数有以下三个原因：

第一，采用sigmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数，整个过程的计算量节省很多。

第二，对于深层网络，sigmoid函数反向传播时，很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢，导数趋于0，这种情况会造成信息丢失），从而无法完成深层网络的训练。

第三，ReLu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。

然后再跟一个二维卷积层，输入通道数应该和上一层卷积的输出通道数相同，所以设为100，输出通道数同样根据实际情况设定，此处设为150，其他参数与第一层卷积相同。

后续每一个卷积层和全连接层后面都会跟一个RELU激活函数，所以后面不再叙述RELU激活函数层。

再之后添加一个2*2的最大池化层，该层用来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性。

再经过三次卷积后，使用Flatten将二维Tensor拉平，变为一维Tensor，然后使用全连接层，通过多个全连接层后，使用dropout层随机删除一些结点，该方法可以有效的避免网络过拟合，在最后一个全连接层的输出对应需要分类的个数。

3.涉及到的技术难点与解决思路

下载的数据集没有划分训练集、测试集和验证集，需要自己写代码完成划分。在刚开始写代码的时候对于文件路径没有搞清楚，没有弄懂os.path.join方法如何使用，导致总是读取不到图像，并且代码还没有报错误正常运行结束，但是查看划分后的文件夹里没有数据。通过debug发现文件的路径出现问题，具体是windows下的/和\混用，导致不能正确的对路径进行处理。在排除问题后统一使用\\，最终问题得到解决。

三、机器学习的实现步骤

（1）划分数据集并进行缩放

1 import os 2 import glob 3 import random 4 import shutil 5 from PIL import Image 6 #对所有图片进行RGB转化，并且统一调整到一致大小，但不让图片发生变形或扭曲，划分了训练集和测试集 7  8 if __name__ == "__main__": 9   test_split_ratio = 0.05 #百分之五的比例作为测试集10   desired_size = 128 # 图片缩放后的统一大小11   raw_path = "./raw"12 13   #把多少个类别算出来，包括目录也包括文件14   dirs = glob.glob(os.path.join(raw_path, "*"))15   #进行过滤，只保留目录，一共36个类别16   dirs = [d for d in dirs if os.path.isdir(d)]17 18   print(f"Totally {len(dirs)} classes: {dirs}")19 20   for path in dirs:21     # 对每个类别单独处理22 23     #只保留类别名称24     path = path.split("/")[-1]25     print(path)26     #创建文件夹27     os.makedirs(f"train/{path}", exist_ok=True)28     os.makedirs(f"test/{path}", exist_ok=True)29 30     #原始文件夹当前类别的图片进行匹配31     files = glob.glob(os.path.join( path, "*.jpg"))32     # print(raw_path, path)33 34     files += glob.glob(os.path.join( path, "*.JPG"))35     files += glob.glob(os.path.join( path, "*.png"))36 37     random.shuffle(files)#原地shuffle，因为要取出来验证集38 39     boundary = int(len(files)*test_split_ratio) # 训练集和测试集的边界40     41     for i, file in enumerate(files):42       img = Image.open(file).convert("RGB")43 44       old_size = img.size 45 46       ratio = float(desired_size)/max(old_size)47 48       new_size = tuple([int(x*ratio) for x in old_size])#等比例缩放49 50       im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不会造成模糊51 52       new_im = Image.new("RGB", (desired_size, desired_size))53 54       #new_im在某个尺寸上更大，我们将旧图片贴到上面55       new_im.paste(im, ((desired_size-new_size[0])//2,56                 (desired_size-new_size[1])//2))57 58       assert new_im.mode == "RGB"59       60       if i <= boundary:61         new_im.save(os.path.join(f"test/{path}", file.split("\\")[-1].split(".")[0]+".jpg"))62       else:63         new_im.save(os.path.join(f"train/{path}", file.split("\\")[-1].split(".")[0]+".jpg"))64 65   test_files = glob.glob(os.path.join("test", "*", "*.jpg"))66   train_files = glob.glob(os.path.join("train", "*", "*.jpg"))67 68   print(f"Totally {len(train_files)} files for training")69   print(f"Totally {len(test_files)} files for test")

（2）图像预处理

包括随即旋转、随机翻转、裁剪等，并进行归一化。

1 #图像预处理 2 train_dir = "./train" 3 val_dir = "./test" 4 test_dir = "./test" 5 classes0 = os.listdir(train_dir) 6 classes=sorted(classes0) 7 print(classes) 8 train_transform=transforms.Compose([ 9     transforms.RandomRotation(10),   # 旋转+/-10度10     transforms.RandomHorizontalFlip(), # 反转50%的图像11     transforms.Resize(40),       # 调整最短边的大小12     transforms.CenterCrop(40),     # 作物最长边13     transforms.ToTensor(),14     transforms.Normalize([0.485, 0.456, 0.406],15               [0.229, 0.224, 0.225])16 ])

1 #显示图像2 def show_image(img,label):3     print("Label: ", trainset.classes[label], "("+str(label)+")")4     plt.imshow(img.permute(1,2,0))5     plt.show()6 7 show_image(*trainset[10])8 show_image(*trainset[20])

（3）读取数据

1 batch_size = 642 train_loader = DataLoader(train_ds, batch_size, shuffle=True, num_workers=4, pin_memory=True)3 val_loader = DataLoader(val_ds, batch_size*2, num_workers=4, pin_memory=True)4 test_loader = DataLoader(test_ds, batch_size*2, num_workers=4, pin_memory=True)

（4）构建CNN模型

#构建CNN模型

1 #构建CNN模型 2 class CnnModel(ImageClassificationBase): 3   def __init__(self): 4     super().__init__() 5     #cnn提取特征 6     self.network = nn.Sequential( 7       nn.Conv2d(3, 100, kernel_size=3, padding=1),#Conv2D层 8       nn.ReLU(), 9       nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1),10       nn.ReLU(),11       nn.MaxPool2d(2, 2), #池化层12 13       nn.Conv2d(150, 200, kernel_size=3, stride=1, padding=1),14       nn.ReLU(),15       nn.Conv2d(200, 200, kernel_size=3, stride=1, padding=1),16       nn.ReLU(),17       nn.MaxPool2d(2, 2), 18 19       nn.Conv2d(200, 250, kernel_size=3, stride=1, padding=1),20       nn.ReLU(),21       nn.Conv2d(250, 250, kernel_size=3, stride=1, padding=1),22       nn.ReLU(),23       nn.MaxPool2d(2, 2), 24 25       #全连接26       nn.Flatten(), 27       nn.Linear(6250, 256), 28       nn.ReLU(),      29       nn.Linear(256, 128), 30       nn.ReLU(),      31       nn.Linear(128, 64),      32       nn.ReLU(),33       nn.Linear(64, 32),34       nn.ReLU(),35       nn.Dropout(0.25),36       nn.Linear(32, len(classes)))37     38   def forward(self, xb):39     return self.network(xb)

（5）训练网络

#训练网络

1 #训练网络 2 @torch.no_grad() 3 def evaluate(model, val_loader): 4   model.eval() 5   outputs = [model.validation_step(batch) for batch in val_loader] 6   return model.validation_epoch_end(outputs) 7  8 def fit(epochs, lr, model, train_loader, val_loader, opt_func=torch.optim.SGD): 9   history = []10   optimizer = opt_func(model.parameters(), lr)11   for epoch in range(epochs):12     # 训练阶段13     model.train()14     train_losses = []15     for batch in tqdm(train_loader,disable=True):16       loss = model.training_step(batch)17       train_losses.append(loss)18       loss.backward()19       optimizer.step()20       optimizer.zero_grad()21     # 验证阶段22     result = evaluate(model, val_loader)23     result["train_loss"] = torch.stack(train_losses).mean().item()24     model.epoch_end(epoch, result)25     history.append(result)26   return history27 28 model = to_device(CnnModel(), device)29 30 history=[evaluate(model, val_loader)]31 32 num_epochs = 10033 opt_func = torch.optim.Adam34 lr = 0.00135 36 history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func)

（6）绘制损失函数和准确率图

1 def plot_accuracies(history): 2   accuracies = [x["val_acc"] for x in history] 3   plt.plot(accuracies, "-x") 4   plt.xlabel("epoch") 5   plt.ylabel("accuracy") 6   plt.title("Accuracy vs. No. of epochs") 7   plt.show() 8    9 def plot_losses(history):10   train_losses = [x.get("train_loss") for x in history]11   val_losses = [x["val_loss"] for x in history]12   plt.plot(train_losses, "-bx")13   plt.plot(val_losses, "-rx")14   plt.xlabel("epoch")15   plt.ylabel("loss")16   plt.legend(["Training", "Validation"])17   plt.title("Loss vs. No. of epochs")18   plt.show()19 20 plot_accuracies(history)21 plot_losses(history)22 23 evaluate(model, test_loader)

（7）预测

1 #预测分类 2     y_true=[] 3     y_pred=[] 4     with torch.no_grad(): 5         for test_data in test_loader: 6             test_images, test_labels = test_data[0].to(device), test_data[1].to(device) 7             pred = model(test_images).argmax(dim=1) 8             for i in range(len(pred)): 9                 y_true.append(test_labels[i].item())10                 y_pred.append(pred[i].item())11 12     from sklearn.metrics import classification_report13     print(classification_report(y_true,y_pred,target_names=classes,digits=4))

（8）读取图片测试

1 import numpy as np 2 from PIL import Image 3 import matplotlib.pyplot as plt 4 import torchvision.transforms as transforms 5  6 def predict(img_path): 7   img = Image.open(img_path) 8   plt.imshow(img) 9   plt.show()10   img = img.resize((32,32))11   img = transforms.ToTensor()(img)12   img = img.unsqueeze(0)13   img = img.to(device)14   pred = model(img).argmax(dim=1)15   print("预测结果为：",classes[pred.item()])16   return classes[pred.item()]17 18 predict("./raw/apple/Image_1.jpg")

四、总结

在本次课程设计中，使用深度学习的方法实现了果蔬的36分类，相对来说分类数量是比较多的，在训练了100个epoch以后，分类的准确率可以达到74.3%。通过对果蔬的分类，我明白了当训练集的图像数量较少时，可以采用数据增强对原始图像进行处理，获得更多的数据来增强网络的泛化能力，避免网络过拟合。数据增强的方法一般有随机翻转、随即旋转、随即裁剪、明暗变化、高斯噪声、椒盐噪声等。除此之外，对整个深度学习中图像分类的流程也有了一定的了解，从收集数据、对数据进行预处理、自己构建网络模型、训练网络到最后的预测结果，加深了对图像分类过程的理解。希望在以后的学习中，可以学习更多深度学习的方法和应用。

五、全部代码

1 import os  2 import glob  3 import random  4 import shutil  5 from PIL import Image  6 #对所有图片进行RGB转化，并且统一调整到一致大小，但不让图片发生变形或扭曲，划分了训练集和测试集  7   8 if __name__ == "__main__":  9     test_split_ratio = 0.05 #百分之五的比例作为测试集 10     desired_size = 128 # 图片缩放后的统一大小 11     raw_path = "./raw" 12  13     #把多少个类别算出来，包括目录也包括文件 14     dirs = glob.glob(os.path.join(raw_path, "*")) 15     #进行过滤，只保留目录，一共36个类别 16     dirs = [d for d in dirs if os.path.isdir(d)] 17  18     print(f"Totally {len(dirs)} classes: {dirs}") 19  20     for path in dirs: 21         # 对每个类别单独处理 22  23         #只保留类别名称 24         path = path.split("/")[-1] 25         print(path) 26         #创建文件夹 27         os.makedirs(f"train/{path}", exist_ok=True) 28         os.makedirs(f"test/{path}", exist_ok=True) 29  30         #原始文件夹当前类别的图片进行匹配 31         files = glob.glob(os.path.join(raw_path, path, "*.jpg")) 32         # print(raw_path, path) 33  34         files += glob.glob(os.path.join(raw_path, path, "*.JPG")) 35         files += glob.glob(os.path.join(raw_path, path, "*.png")) 36  37         random.shuffle(files)#原地shuffle，因为要取出来验证集 38  39         boundary = int(len(files)*test_split_ratio) # 训练集和测试集的边界 40          41         for i, file in enumerate(files): 42             img = Image.open(file).convert("RGB") 43  44             old_size = img.size   45  46             ratio = float(desired_size)/max(old_size) 47  48             new_size = tuple([int(x*ratio) for x in old_size])#等比例缩放 49  50             im = img.resize(new_size, Image.ANTIALIAS)#后面的方法不会造成模糊 51  52             new_im = Image.new("RGB", (desired_size, desired_size)) 53  54             #new_im在某个尺寸上更大，我们将旧图片贴到上面 55             new_im.paste(im, ((desired_size-new_size[0])//2, 56                                 (desired_size-new_size[1])//2)) 57  58             assert new_im.mode == "RGB" 59              60             if i <= boundary: 61                 new_im.save(os.path.join(f"test/{path}", file.split("/")[-1].split(".")[0]+".jpg")) 62             else: 63                 new_im.save(os.path.join(f"train/{path}", file.split("/")[-1].split(".")[0]+".jpg")) 64  65     test_files = glob.glob(os.path.join("test", "*", "*.jpg")) 66     train_files = glob.glob(os.path.join("train", "*", "*.jpg")) 67  68  69     print(f"Totally {len(train_files)} files for training") 70     print(f"Totally {len(test_files)} files for test") 71  72  73 import os 74 import random 75 import numpy as np 76 import pandas as pd 77 import torch 78 import torch.nn as nn 79 import torch.nn.functional as F 80 from tqdm.notebook import tqdm 81 from torchvision import datasets, transforms, models  82 from torchvision.datasets import ImageFolder 83 from torchvision.transforms import ToTensor 84 from torchvision.utils import make_grid 85 from torch.utils.data import random_split 86 from torch.utils.data.dataloader import DataLoader 87 import matplotlib.pyplot as plt 88  89 if __name__ == "__main__": 90     # 使用第2个GPU 91     os.environ["CUDA_VISIBLE_DEVICES"] = "1" 92  93     #图像预处理 94     train_dir = "./train" 95     val_dir = "./test" 96     test_dir = "./test" 97     classes0 = os.listdir(train_dir) 98     classes=sorted(classes0) 99     # print(classes)100     train_transform=transforms.Compose([101             transforms.RandomRotation(10),      # 旋转+/-10度102             transforms.RandomHorizontalFlip(),  # 反转50%的图像103             transforms.Resize(40),              # 调整最短边的大小104             transforms.CenterCrop(40),          # 作物最长边105             transforms.ToTensor(),106             transforms.Normalize([0.485, 0.456, 0.406],107                                 [0.229, 0.224, 0.225])108     ])109 110     trainset = ImageFolder(train_dir, transform=train_transform)111     valset = ImageFolder(val_dir, transform=train_transform)112     testset = ImageFolder(test_dir, transform=train_transform)113     # print(len(trainset))114 115     #查看数据集的一个图像形状116     img, label = trainset[10]117     # print(img.shape)118 119     #显示图像120     def show_image(img,label):121         print("Label: ", trainset.classes[label], "("+str(label)+")")122         plt.imshow(img.permute(1,2,0))123         plt.show()124 125     # show_image(*trainset[10])126     # show_image(*trainset[20])127 128     torch.manual_seed(10)129     train_size = len(trainset)130     val_size = len(valset)131     test_size = len(testset)132 133     train_ds=trainset134     val_ds=valset135     test_ds=testset136     len(train_ds), len(val_ds), len(test_ds)   137 138     #读取数据139     batch_size = 64140     train_loader = DataLoader(train_ds, batch_size, shuffle=True, num_workers=4, pin_memory=True)141     val_loader = DataLoader(val_ds, batch_size*2, num_workers=4, pin_memory=True)142     test_loader = DataLoader(test_ds, batch_size*2, num_workers=4, pin_memory=True)143 144 145     if __name__ == "__main__":146         for images, labels in train_loader:147             fig, ax = plt.subplots(figsize=(18,10))148             ax.set_xticks([])149             ax.set_yticks([])150             ax.imshow(make_grid(images,nrow=16).permute(1,2,0))151             break152 153 154 155     torch.cuda.is_available()156 157 158     #选择GPU或CPU159     def get_default_device():160         if torch.cuda.is_available():161             return torch.device("cuda")162         else:163             return torch.device("cpu")164 165     #移动到所选的设备   166     def to_device(data, device):167         if isinstance(data, (list,tuple)):168             return [to_device(x, device) for x in data]169         return data.to(device, non_blocking=True)170 171     class DeviceDataLoader():172         #包装数据加载器以将数据移动到设备173         def __init__(self, dl, device):174             self.dl = dl175             self.device = device176             177         def __iter__(self):178             #将数据移动到设备后生成一批数据179             for b in self.dl: 180                 yield to_device(b, self.device)181 182         def __len__(self):183             #分批次184             return len(self.dl)185 186     device = get_default_device()187 188 189     train_loader = DeviceDataLoader(train_loader, device)190     val_loader = DeviceDataLoader(val_loader, device)191     test_loader = DeviceDataLoader(test_loader, device)192 193     input_size = 3*40*40194     output_size = 3195 196 197 198     def accuracy(outputs, labels):199         _, preds = torch.max(outputs, dim=1)200         return torch.tensor(torch.sum(preds == labels).item() / len(preds))201 202     #图像分类203     class ImageClassificationBase(nn.Module):204         def training_step(self, batch):205             images, labels = batch 206             out = self(images)                   # 生成预测207             loss = F.cross_entropy(out, labels)  # 计算损失208             return loss209         210         def validation_step(self, batch):211             images, labels = batch 212             out = self(images)                    # 生成预测213             loss = F.cross_entropy(out, labels)   # 计算损失214             acc = accuracy(out, labels)           # 计算精度215             return {"val_loss": loss.detach(), "val_acc": acc}216             217         def validation_epoch_end(self, outputs):218             batch_losses = [x["val_loss"] for x in outputs]219             epoch_loss = torch.stack(batch_losses).mean()   # 合并损失220             batch_accs = [x["val_acc"] for x in outputs]221             epoch_acc = torch.stack(batch_accs).mean()      # 结合精度222             return {"val_loss": epoch_loss.item(), "val_acc": epoch_acc.item()}223         224         def epoch_end(self, epoch, result):225             print("Epoch [{}], train_loss: {:.4f}, val_loss: {:.4f}, val_acc: {:.4f}".format(226                 epoch, result["train_loss"], result["val_loss"], result["val_acc"]))227 228     #构建CNN模型229     class CnnModel(ImageClassificationBase):230         def __init__(self):231             super().__init__()232             #cnn提取特征233             self.network = nn.Sequential(234                 nn.Conv2d(3, 100, kernel_size=3, padding=1),#Conv2D层235                 nn.ReLU(),236                 nn.Conv2d(100, 150, kernel_size=3, stride=1, padding=1),237                 nn.ReLU(),238                 nn.MaxPool2d(2, 2), #池化层239 240                 nn.Conv2d(150, 200, kernel_size=3, stride=1, padding=1),241                 nn.ReLU(),242                 nn.Conv2d(200, 200, kernel_size=3, stride=1, padding=1),243                 nn.ReLU(),244                 nn.MaxPool2d(2, 2), 245 246                 nn.Conv2d(200, 250, kernel_size=3, stride=1, padding=1),247                 nn.ReLU(),248                 nn.Conv2d(250, 250, kernel_size=3, stride=1, padding=1),249                 nn.ReLU(),250                 nn.MaxPool2d(2, 2), 251 252                 #全连接253                 nn.Flatten(), 254                 nn.Linear(6250, 256),  255                 nn.ReLU(),            256                 nn.Linear(256, 128),  257                 nn.ReLU(),            258                 nn.Linear(128, 64),           259                 nn.ReLU(),260                 nn.Linear(64, 32),261                 nn.ReLU(),262                 nn.Dropout(0.25),263                 nn.Linear(32, len(classes)))264             265         def forward(self, xb):266             return self.network(xb)267 268     # 将模型加载到GPU上去269     model = CnnModel()270 271     # model.cuda()272 273     if __name__ == "__main__":274         for images, labels in train_loader:275             out = model(images)276             print("images.shape:", images.shape)    277             print("out.shape:", out.shape)278             print("out[0]:", out[0])279             break280 281     device = get_default_device()282 283     train_dl = DeviceDataLoader(train_loader, device)284     val_dl = DeviceDataLoader(val_loader, device)285     test_dl = DeviceDataLoader(test_loader, device)286     to_device(model, device)287 288 289     #训练网络290     def evaluate(model, val_loader):291         model.eval()292         outputs = [model.validation_step(batch) for batch in val_loader]293         return model.validation_epoch_end(outputs)294 295     def fit(epochs, lr, model, train_loader, val_loader, opt_func=torch.optim.SGD):296         history = []297         optimizer = opt_func(model.parameters(), lr)298         for epoch in range(epochs):299             # 训练阶段300             model.train()301             train_losses = []302             for batch in tqdm(train_loader,disable=True):303                 loss = model.training_step(batch)304                 train_losses.append(loss)305                 loss.backward()306                 optimizer.step()307                 optimizer.zero_grad()308             # 验证阶段309             result = evaluate(model, val_loader)310             result["train_loss"] = torch.stack(train_losses).mean().item()311             model.epoch_end(epoch, result)312             history.append(result)313         return history314 315     model = to_device(CnnModel(), device)316 317 318     history=[evaluate(model, val_loader)]319     num_epochs = 5320     opt_func = torch.optim.Adam321     lr = 0.001322 323     history+= fit(num_epochs, lr, model, train_dl, val_dl, opt_func)324 325 326     # # 绘制损失函数和准确率图327 328     def plot_accuracies(history):329         accuracies = [x["val_acc"] for x in history]330         plt.plot(accuracies, "-x")331         plt.xlabel("epoch")332         plt.ylabel("accuracy")333         plt.title("Accuracy vs. No. of epochs")334         plt.show()335         336     def plot_losses(history):337         train_losses = [x.get("train_loss") for x in history]338         val_losses = [x["val_loss"] for x in history]339         plt.plot(train_losses, "-bx")340         plt.plot(val_losses, "-rx")341         plt.xlabel("epoch")342         plt.ylabel("loss")343         plt.legend(["Training", "Validation"])344         plt.title("Loss vs. No. of epochs")345         plt.show()346 347     plot_accuracies(history)348     plot_losses(history)349 350     evaluate(model, test_loader)351 352 353     #预测分类354     y_true=[]355     y_pred=[]356     with torch.no_grad():357         for test_data in test_loader:358             test_images, test_labels = test_data[0].to(device), test_data[1].to(device)359             pred = model(test_images).argmax(dim=1)360             for i in range(len(pred)):361                 y_true.append(test_labels[i].item())362                 y_pred.append(pred[i].item())363 364     from sklearn.metrics import classification_report365     print(classification_report(y_true,y_pred,target_names=classes,digits=4))366 367     # 读取图片进行预测368     import numpy as np369     from PIL import Image370     import matplotlib.pyplot as plt371     import torchvision.transforms as transforms372 373     def predict(img_path):374         img = Image.open(img_path)375         plt.imshow(img)376         plt.show()377         img = img.resize((32,32))378         img = transforms.ToTensor()(img)379         img = img.unsqueeze(0)380         img = img.to(device)381         pred = model(img).argmax(dim=1)382         print("预测结果为：",classes[pred.item()])383         return classes[pred.item()]384 385     predict("./raw/apple/Image_1.jpg")

关键词：激活函数机器学习输出通道