使用pytorch搭建AlexNet并训练花类数据集

最新推荐文章于 2025-02-22 00:28:03 发布

Action_now_z

最新推荐文章于 2025-02-22 00:28:03 发布

阅读量1.5k

点赞数 3

分类专栏： pytorch cnn经典模型文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/Action_now_zj/article/details/109238391

版权

本文介绍了如何使用PyTorch搭建AlexNet模型，并在花类数据集上进行训练。内容涵盖AlexNet的关键特性，如ReLU激活、数据增强、丢包层以及批量随机梯度下降法。通过5到6天的GPU训练，模型在特定类别上的预测准确率达到了0.9876。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

AlexNet论文要点：

利用ImageNet数据库进行网络训练，库中包含22000种类的1500万标签数据。

利用线性整流层ReLU的非线性函数。（利用线性整流层ReLU后，运行速度比传统双曲正切函数快了几倍）

利用了数据扩容方法data augmentation，包括图像变换、水平反射、块提取patch extractions等方法；

为解决训练集过拟合问题而引入了丢包层dropout layer；

使用批量随机梯度下降法batch stochastic gradient descent进行训练，为动量momentum和权重衰退weight decay设定限定值；

使用两块GTX 580 GPU训练了5~6天。

github代码 pytorch搭建经典网络模型

数据集 http://download.tensorflow.org/example_images/flower_photos.tgz

将数据集分成训练集，验证集

import os
from shutil import copy
import random


def mkfile(file):
    if not os.path.exists(file):
        os.makedirs(file)


file = 'flower_data/flower_photos'
flower_class = [cla for cla in os.listdir(file) if ".txt" not in cla]
mkfile('flower_data/train')
for cla in flower_class:
    mkfile('flower_data/train/'+cla)

mkfile('flower_data/val')
for cla in flower_class:
    mkfile('flower_data/val/'+cla)

split_rate = 0.1
for cla in flower_class:
    cla_path = file + '/' + cla + '/'
    images = os.listdir(cla_path)
    num = len(images)
    eval_index = random.sample(images, k=int(num*split_rate))
    for index, image in enumerate(images):
        if image in eval_index:
            image_path = cla_path + image
            new_path = 'flower_data/val/' + cla
            copy(image_path, new_path)
        else:
            image_path = cla_path + image
            new_path = 'flower_data/train/' + cla
            copy(image_path, new_path)

最低0.47元/天解锁文章