基于Pytorch的CNN图像分类器

基于Pytorch的CNN图像分类器，并利用OpenCV进行数据预处理

CNN（卷积神经网络）在图像处理上有很好的表现，AlphaGO使用也是也是CNN，但是AlphaGO去掉pooling（池化）层。

我以简单的二分类器为例，学习应用CNN进行图像分类的过程，从图像处理开始，到训练神经网络。

代码中含有详细注释

数据预处理：

#导入库
import os
import numpy as np
import cv2

# 定义读取图像的函数
def readimg(path):
	# 使用OpenCV库中的.imread()函数读取图像    
    img = cv2.imread(path) 
    # 使用OpenCV库中的.resize()函数修改图像尺寸，为了后面训练神经网络时得到更快的速度
    img = cv2.resize(img,(128,128),0)
    return img

# 定义函数，将修改后的图像保存
def save(path, img):
	# 使用OpenCV库中的.shape()方法获取图像的高和宽，.shape()   
    rows, cols = img.shape[:2]
    # 将图像以一度为步长，旋转360次
    for i in range(0,359):
    	# 使用OpenCV库中的.getRotationMatrix2D()和.warpAffine()方法将图像旋转，以处理数据
    	# 第一个参数是旋转中心，第二个参数是旋转角度，第三个参数是缩放比例
        M = cv2.getRotationMatrix2D((cols/2, rows/2), i, 1)
        img1 = cv2.warpAffine(img, M, (cols, rows))
        i = str(i)
        img_name = i+".jpg"
        # 存储图像
        cv2.imwrite(os.path.join(path, img_name),img1)

path = '/Users/jason_zhang/Desktop/'

for j in range(1,3):
    j = str(j)
    no_img = j + '.jpg'
    img_path = os.path.join(path, no_img)
    new_img_path = os.path.join(path, j)
    img = readimg(img_path)
    save(new_img_path ,img)
print("Saving done")

输出结果：

此时，数据已经处理完，并存出在相应文件夹中。

导入数据：

# 导入库
import os
import numpy as np
import cv2
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import panda