华为云实验-Alexnet

实验步骤

首先讲数据集上传至OBS，在OBS中上传至云端，具体实现如下：

import moxing as mox
dataset_url = “obs://wkkk/flower_data/”
mox.file.copy_parallel(dataset_url,"./)

其中./为当前文件夹，…/为上一级文件夹(两个点）。

在Terminal里输入：

cd work
ls
python train.py

训练结束后得到结果最好的模型Alexnet.pth保存到当前文件夹。
!](https://img-blog.csdnimg.cn/a3c355d3adf44cc18bfb56874438424f.png)


在Terminal中输入：

ls
python predict.py

开始对测试图片进行预测：
预测月季的结果：

预测玫瑰的结果：

预测向日葵的结果：

预测飞机的结果：

总结

关于实验数据集的划分
采用的脚本-split_data.py。
具体操作：shift+右击，打开powellshell窗口，输入：

python .\split_data.py

import os
from shutil import copy, rmtree
import random


def mk_file(file_path: str):
    if os.path.exists(file_path):
        # 如果文件夹存在，则先删除原文件夹在重新创建
        rmtree(file_path)
    os.makedirs(file_path)


def main():
    # 保证随机可复现
    random.seed(0)

    # 将数据集中10%的数据划分到验证集中
    split_rate = 0.1

    # 指向你解压后的flower_photos文件夹
    cwd = os.getcwd()
    data_root = os.path.join(cwd, "flower_data")
    origin_flower_path = os.path.join(data_root, "flower_photos")
    assert os.path.exists(origin_flower_path), "path '{}' does not exist.".format(origin_flower_path)

    flower_class = [cla for cla in os.listdir(origin_flower_path)
                    if os.path.isdir(os.path.join(origin_flower_path, cla))]

    # 建立保存训练集的文件夹
    train_root = os.path.join(data_root, "train")
    mk_file(train_root)
    for cla in flower_class:
        # 建立每个类别对应的文件夹
        mk_file(os.path.join(train_root, cla))

    # 建立保存验证集的文件夹
    val_root = os.path.join(data_root, "val")
    mk_file(val_root)
    for cla in flower_class:
        # 建立每个类别对应的文件夹
        mk_file(os.path.join(val_root, cla))

    for cla in flower_class:
        cla_path = os.path.join(origin_flower_path, cla)
        images = os.listdir(cla_path)
        num = len(images)
        # 随机采样验证集的索引
        eval_index = random.sample(images, k=int(num*split_rate))
        for index, image in enumerate(images):
            if image in eval_index:
                # 将分配至验证集中的文件复制到相应目录
                image_path = os.path.join(cla_path, image)
                new_path = os.path.join(val_root, cla)
                copy(image_path, new_path)
            else:
                # 将分配至训练集中的文件复制到相应目录
                image_path = os.path.join(cla_path, image)
                new_path = os.path.join(train_root, cla)
                copy(image_path, new_path)
            print("\r[{}] processing [{}/{}]".format(cla, index+1, num), end="")  # processing bar
        print()

    print("processing done!")


if __name__ == '__main__':
    main()

关于数据集路径的使用：
原代码：

data_root = os.path.abspath(os.path.join(os.getcwd(), "../.."))  # get data root path
image_path = os.path.join(data_root, "data_set", "flower_data")  # flower data set path

修改为：

data_root = os.path.abspath(os.getcwd())  # get data root path
image_path = os.path.join(data_root, "data_set", "flower_data")  # flower data set path

原因：原代码中的数据集data_set存放地方与我不一致。
因此需要进行与当前路径拼接。
补充一些路径知识：

os.getcwd() # 获得当前路径，返回当前目录
os.path.join() # 连接两个或者多个路径 关于该函数的更多理解
os.path.abspath() # 返回绝对路径
os.path.realpath() # 返回标准路径 二者的区别