深度学习365camp-第P3周：Pytorch实现天气识别

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

我的环境

• 语言环境：Python 3.12
• 编译器：jupyter notebook
• 深度学习环境：pytorch

一、前期准备

设置GPU

代码如下：

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets

import os, PIL, pathlib, random

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

device

代码输出：

二、导入数据

代码如下：

data_dir = './data/weather_photos/'
data_dir = pathlib.Path(data_dir)

data_paths = list(data_dir.glob('*'))
classeNames = [path.name for path in data_paths]
classeNames

代码输出：

我把文件放在了笔记本目录的data文件夹中。

• data_dir = './data/weather_photos/': 指定了 data/weather_photos 目录的路径。
• data_dir = pathlib.Path(data_dir): 使用 pathlib.Path() 将路径字符串转换为 Path对象。
• data_paths = list(data_dir.glob('*')): 使用 glob(‘*’) 获取 data/weather_photos 目录下的所有文件和文件夹的路径。
• classeNames = [path.name for path in data_paths]: 使用 .name 直接获取每个路径的文件或文件夹名称，而不用手动分割路径字符串。

import matplotlib.pyplot as plt
from PIL import Image

# 指定图像文件夹路径
image_folder = './data/weather_photos/cloudy/'

# 获取文件夹中的所有图像文件
image_files = [f for f in os.listdir(image_folder) if f.endswith((".jpg", ".png", ".jpeg"))]

# 创建Matplotlib图像
fig, axes = plt.subplots(3, 8, figsize=(16, 6))

# 使用列表推导式加载和显示图像
for ax, img_file in zip(axes.flat, image_files):
    img_path = os.path.join(image_folder, img_file)
    img = Image.open(img_path)
    ax.imshow(img)
    ax.axis('off')

# 显示图像
plt.tight_layout()
plt.show()

代码输出：

接下来，我们把所有的图片按照标准化的格式导入：

total_datadir = './data/weather_photos/'

# 关于transforms.Compose的更多介绍可以参考：https://blog.youkuaiyun.com/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([
    transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸
    transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间
    transforms.Normalize(           # 标准化处理-->转换为标准正态分布（高斯分布），使模型更容易收敛
        mean=[0.485, 0.456, 0.406], 
        std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])

total_data = datasets.ImageFolder(total_datadir,transform=train_transforms)
total_data

代码输出：

三、划分数据库

代码如下：

train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.<