半监督学习图像分类任务

最新推荐文章于 2025-03-01 16:00:24 发布

原创

最新推荐文章于 2025-03-01 16:00:24 发布 · 578 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #分类 #数据挖掘

1. 代码整体结构

这段代码实现了一个图像分类的任务，主要包含以下几个模块：

数据处理：加载和预处理图像数据。
半监督学习：在训练过程中加入无标签数据，并根据模型预测的置信度来选择哪些无标签样本加入训练。
模型定义：使用卷积神经网络（CNN）模型进行图像分类。
训练与评估：训练模型并在验证集上评估其性能。

2. 数据预处理与加载

2.1 `seed_everything`：设置随机种子

def seed_everything(seed):
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.deterministic = True
    random.seed(seed)
    np.random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)

设置随机种子是为了确保结果的可重现性。此函数会为torch、numpy和python的随机数生成器设置种子。

2.2 `food_Dataset`类：自定义数据集类

该类继承自torch.utils.data.Dataset，用于处理和加载图像数据。

2.2.1 `init`方法

    def __init__(self, path, mode="train"):
        self.mode = mode
        if mode == "semi":
            self.X = self.read_file(path)
        else:
            self.X, self.Y = self.read_file(path)
            self.Y = torch.LongTensor(self.Y)  #标签转为长整形\

path：数据所在路径。
mode：数据集模式（训练集train，验证集val，半监督学习semi）。
如果是半监督模式，加载无标签数据X；否则，加载有标签数据X和Y（标签）。

2.2.2 `read_file`方法

    def read_file(self, path):
        if self.mode == "semi":
            file_list = os.listdir(path)
            xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8)
            # 列出文件夹下所有文件名字
            for j, img_name in enumerate(file_list):
                img_path = os.path.join(path, img_name)
                img = Image.open(img_path)
                img = img.resize((HW, HW))
                xi[j, ...] = img
            print("读到了%d个数据" % len(xi))
            return xi
        else:
            for i in tqdm(range(11)):
                file_dir = path + "/%02d" %