半监督学习用于图片分类

1.半监督的含义

半监督指的是将训练集中无标签的数据运用起来，因为数据都是宝贵的。如何运用无标签的数据，就是使用训练后的模型对数据进行预测，然后得到一个pred_y,当这个pred_y是在一个置信度比较高的范围内的话，则设标签y=pred_y,即得到有标签的数据，再将这些有标签的数据同样运用于训练模型，即将一部分的无标签数据利用了起来。

2.半监督运用于图片分类的实例代码分析

2.1导入python包

import random
import torch
import torch.nn as nn
import numpy as np
import os
from PIL import Image #读取图片数据
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
from torchvision import transforms
import time
import matplotlib.pyplot as plt
from model_utils.model import initialize_model

导入所需的Python库，包括随机数生成库、PyTorch、NumPy、图片处理库PIL、数据处理模块（Dataset和DataLoader）、进度条模块（tqdm），以及用于图像转换的torchvision库和可视化库matplotlib。

2.2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)

定义一个函数 seed_everything，用于设置随机种子，以保证实验可重复性。它同时设置了Python随机数生成器和NumPy的随机数生成器的种子。对于PyTorch，还确保了CUDA的随机性。

2.3主要参数设置

seed_everything(0)  # 设置随机种子为0
HW = 224  # 设置图像的高度和宽度为224

调用 seed_everything 函数进行随机种子初始化，并定义图像的高度和宽度为224。

2.4数据预处理的转化

train_transform = transforms.Compose(
    [
        transforms.ToPILImage(),
        transforms.RandomResizedCrop(224),
        transforms.RandomRotation(50),
        transforms.ToTensor()
    ]
)

val_transform = transforms.Compose(
    [
        transforms.ToPILImage(),
        transforms.ToTensor()
    ]
)

定义训练集和验证集的数据预处理流程。训练集的转换包括随机剪裁、随机旋转和转换为Tensor；验证集只需将图像转换为Tensor。

2.5定义数据集

class food_Dataset(Dataset):

定义一个名为 food_Dataset 的自定义数据集类，继承自 torch.utils.data.Dataset。

2.6数据集初始化

def __init__(self, path, mode="train"):

数据集类的初始化方法，接受数据路径和数据模式（训练、验证、半监督）作为参数。

if mode == "semi":
    self.X = self.read_file(path)