DenseNet图像分类算法

DenseNet（Densely Connected Convolutional Networks）是一种用于图像分类的深度学习模型，由Gao Huang等人在2017年提出。DenseNet通过密集连接的方式，使得每一层都直接连接到所有后续层，从而增强了特征传播和重用，减少了参数数量，并提高了模型的性能。

下面是一个使用PyTorch实现DenseNet进行图像分类的示例代码。

首先，确保你已经安装了必要的库：

pip install torch torchvision

注意：具体需要依据cuda版本来选择对应版本

PyTorch

2. 导入必要的库

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torchvision import datasets, transforms, models
from torchvision.transforms import ToTensor
from torch.optim.lr_scheduler import StepLR

3. 定义DenseNet模型

PyTorch的`torchvision.models`模块中已经提供了预定义的DenseNet模型。我们可以直接使用这些模型，或者根据需要对其进行微调。

# 使用预定义的DenseNet121模型
model = models.densenet121(pretrained=True)

# 修改最后的全连接层以适应你的分类任务
num_classes = 10  # 假设你有10个类别
model.classifier = nn.Linear(model.classifier.in_features, num_classes)

# 将模型移动到GPU（如果可用）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

4. 定义数据加载器

我们需要定义数据加载器来加载训练和测试数据。这里我们使用CIFAR-10数据集作为示例。

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),  # DenseNet输入尺寸为224x224
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载CIFAR-10数据集
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

5. 定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 学习率调度器
scheduler = StepLR(optimizer, step_size=5, gamma=0.1)
```

### 6. 训练模型

```python
num_epochs = 10

for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0
    for i, (inputs, labels) in enumerate(train_loader):
        inputs, labels = inputs.to(device), labels.to(device)
        
        # 前向传播
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()
        
        if i % 100 == 99:  # 每100个batch打印一次损失
            print(f'Epoch [{epoch + 1}/{num_epochs}], Step [{i + 1}/{len(train_loader)}], Loss: {running_loss / 100:.4f}')
            running_loss = 0.0
    
    # 更新学习率
    scheduler.step()
    
    # 每个epoch结束后在测试集上评估模型
    model.eval()
    correct = 0
    total = 0
    with torch.no_grad():
        for inputs, labels in test_loader:
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    
    print(f'Epoch [{epoch + 1}/{num_epochs}], Test Accuracy: {100 * correct / total:.2f}%')

6. 保存模型

训练完成后，你可以将模型保存到磁盘以便后续使用。

torch.save(model.state_dict(), 'densenet_cifar10.pth')

7. 加载模型并进行推理

如果你需要加载已经训练好的模型进行推理，可以使用以下代码：

model.load_state_dict(torch.load('densenet_cifar10.pth'))
model.eval()

# 进行推理
with torch.no_grad():
    inputs = test_dataset[0][0].unsqueeze(0).to(device)
    outputs = model(inputs)
    _, predicted = torch.max(outputs.data, 1)
    print(f'Predicted: {predicted.item()}')

以上展示了如何使用PyTorch实现DenseNet进行图像分类任务。实际实现时可以根据需要调整模型结构、数据集和超参数来适应不同的任务。DenseNet由于其密集连接的特性，通常在图像分类任务中表现出色。