图像识别技术与应用

transforms 

torchvision是一个常用的计算机视觉工具库，包含了模型（model）、数据集（datasets）、数据预处理（transforms）和工具函数（utils）等部分。

 

其中，transforms模块提供了对PIL Image对象和Tensor对象的常用操作：

对PIL Image对象的操作，如调整尺寸（Scale/Resize）、裁剪（CenterCrop等）、填充（Pad）、转换为Tensor（ToTensor）、随机水平或垂直翻转（RandomHorizontalFlip、RandomVerticalFlip）、修改亮度对比度饱和度（ColorJitter）等。

对Tensor对象的操作，如标准化（Normalize）和转换为PIL Image（ToPILImage） 。

 

如果要对数据集进行多个操作，可以使用Compose将这些操作按顺序拼接起来，就像nn.Sequential一样，方便对数据进行批量处理。

ImageFolderImageFolder类：

它是torchvision库中用于读取图像数据的工具，可以读取不同目录下的图像数据。目录结构示例中，不同人物名字命名的文件夹（如Andy_Roddick、Paul_Bremer等）里存放对应类别的图像。

 

可视化工具：借助matplotlib和torchvision.utils等工具，将加载的图像数据进行可视化，便于直观查看数据样本。这在图像数据集处理和模型训练前的数据分析环节很有用，帮助确认数据是否正确加载和预处理。

可视化工具;

TensorBoard简介使用TensorBoard的一般步骤如下。

1）导入tensorboard，实例化SummaryWriter类，指明记录日志路径等信息。from torch.utils.tensorboard import SummaryWriter#实例化SummaryWriter，并指明日志存放路径。在当前目录没有logs目录将自动创建。

writer = SummaryWriter(log_dir='logs')#调用实例writer.add_xxx()#关闭writerwriter.close()使用TensorBoard的一般步骤如下。

2）调用相应的API接口，接口一般格式为：add_xxx(tag-name, object, iteration-number)#即add_xxx(标签，记录的对象，迭代次数)其中，xxx指的是各种可视化方法。各种可视化方法如下表所示

3）启动tensorboard服务。cd到logs目录所在的同级目录，在命令行输入如下命令，logdir等式右边可以是相对路径或绝对路径。tensorboard --logdir=logs --port 6006 

#如果是windows环境，要注意路径解析

如#tensorboard --logdir=r'D:\myboard\test\logs' --port 60064）Web展示。在浏览器输入：http://服务器IP或名称:6006 

#如果是本机，服务器名称可以使用localhost用TensorBoard可视化神经网络。

可视化神经网络结构：代码部分定义了一个名为Net的神经网络类，包含卷积层、池化层、全连接层等组件。

通过SummaryWriter类和add_graph方法，将神经网络模型和输入数据传入，保存为graph并记录到指定日志目录。运行结果展示了可视化后的神经网络结构流程图，能直观看到数据在各层之间的流动。

 

 

用TensorBoard可视化损失值

 

 

可视化损失值：代码构建了一个简单的线性模型，设置训练参数，利用循环进行训练，并通过SummaryWriter的add_scalar方法记录每个epoch的训练损失值。运行结果以折线图形式呈现损失值随训练轮次的变化趋势，便于观察模型的收敛情况。

 

 

用TensorBoard可视化特征图

代码部分：导入相关工具包后，初始化SummaryWriter用于记录日志。通过循环从训练数据加载器中获取数据，对输入数据进行处理。接着遍历神经网络的各层，针对包含“conv”的层（卷积层），提取其特征图，利用make_grid函数将特征图整理成网格形式，并通过add_image方法将特征图写入日志，以便在TensorBoard中可视化。