骨络数据

最新推荐文章于 2024-04-17 10:24:39 发布
最新推荐文章于 2024-04-17 10:24:39 发布
阅读量420 收藏
点赞数
分类专栏： Kinect 文章标签： Kinect 
#include <opencv2\opencv.hpp>  
#include<iostream>
//windows的头文件，必须要，不然NuiApi.h用不了
#include <Windows.h>
//Kinect for windows 的头文件
#include "NuiApi.h"
/*
#include <opencv2/opencv.hpp> 
#include "NuiSensor.h"
#include "NuiSkeleton.h"
#include <strsafe.h>
#include <d3d11.h>
*/
using namespace std;
using namespace cv;

//通过传入关节点的位置，把骨骼画出来  
void drawSkeleton(Mat &image, CvPoint pointSet[], int whichone);

int main(int argc, char *argv[])
{
	Mat skeletonImage;
	skeletonImage.create(240, 320, CV_8UC3);
	CvPoint skeletonPoint[NUI_SKELETON_COUNT][NUI_SKELETON_POSITION_COUNT] = { cvPoint(0, 0) };
	bool tracked[NUI_SKELETON_COUNT] = { FALSE };

	//1、初始化NUI，注意这里是USES_SKELETON  
	HRESULT hr = NuiInitialize(NUI_INITIALIZE_FLAG_USES_SKELETON);
	if (FAILED(hr))
	{
		cout << "NuiInitialize failed" << endl;
		return hr;
	}

	//2、定义骨骼信号事件句柄   
	HANDLE skeletonEvent = CreateEvent(NULL, TRUE, FALSE, NULL);

	//3、打开骨骼跟踪事件  
	hr = NuiSkeletonTrackingEnable(skeletonEvent, 0);
	if (FAILED(hr))
	{
		cout << "Could not open color image stream video" << endl;
		NuiShutdown();
		return hr;
	}
	namedWindow("skeletonImage", CV_WINDOW_AUTOSIZE);

	//4、开始读取骨骼跟踪数据   
	while (1)
	{
		NUI_SKELETON_FRAME skeletonFrame = { 0 };  //骨骼帧的定义   
		bool bFoundSkeleton = false;

		//4.1、无限等待新的数据，等到后返回  
		if (WaitForSingleObject(skeletonEvent, INFINITE) == 0)
		{
			//4.2、从刚才打开数据流的流句柄中得到该帧数据，读取到的数据地址存于skeletonFrame  
			hr = NuiSkeletonGetNextFrame(0, &skeletonFrame);
			if (SUCCEEDED(hr))
			{
				//NUI_SKELETON_COUNT是检测到的骨骼数（即，跟踪到的人数）  
				for (int i = 0; i < NUI_SKELETON_COUNT; i++)
				{
					NUI_SKELETON_TRACKING_STATE trackingState = skeletonFrame.SkeletonData[i].eTrackingState;
					//4.3、Kinect最多检测六个人，但只能跟踪两个人的骨骼，再检查每个“人”（有可能是空，不是人）  
					//是否跟踪到了   
					if (trackingState == NUI_SKELETON_TRACKED)
					{
						bFoundSkeleton = true;
					}
				}
			}

			if (!bFoundSkeleton)
			{
				continue;
			}

			//4.4、平滑骨骼帧，消除抖动  
			NuiTransformSmooth(&skeletonFrame, NULL);
			skeletonImage.setTo(0);

			for (int i = 0; i < NUI_SKELETON_COUNT; i++)
			{
				// Show skeleton only if it is tracked, and the center-shoulder joint is at least inferred.   
				//断定是否是一个正确骨骼的条件：骨骼被跟踪到并且肩部中心（颈部位置）必须跟踪到。   
				if (skeletonFrame.SkeletonData[i].eTrackingState == NUI_SKELETON_TRACKED &&
					skeletonFrame.SkeletonData[i].eSkeletonPositionTrackingState[NUI_SKELETON_POSITION_SHOULDER_CENTER] != NUI_SKELETON_POSITION_NOT_TRACKED)
				{
					float fx, fy;
					//拿到所有跟踪到的关节点的坐标，并转换为我们的深度空间的坐标，因为我们是在深度图像中  
					//把这些关节点标记出来的  
					//NUI_SKELETON_POSITION_COUNT为跟踪到的一个骨骼的关节点的数目，为20  
					for (int j = 0; j < NUI_SKELETON_POSITION_COUNT; j++)
					{
						NuiTransformSkeletonToDepthImage(skeletonFrame.SkeletonData[i].SkeletonPositions[j], &fx, &fy);
						skeletonPoint[i][j].x = (int)fx;
						skeletonPoint[i][j].y = (int)fy;
					}

					for (int j = 0; j<NUI_SKELETON_POSITION_COUNT; j++)
					{
						if (skeletonFrame.SkeletonData[i].eSkeletonPositionTrackingState[j] != NUI_SKELETON_POSITION_NOT_TRACKED)//跟踪点一用有三种状态：1没有被跟踪到，2跟踪到，3根据跟踪到的估计到     
						{
							circle(skeletonImage, skeletonPoint[i][j], 3, cvScalar(0, 255, 255), 1, 8, 0);
							tracked[i] = TRUE;
						}
					}

					drawSkeleton(skeletonImage, skeletonPoint[i], i);
				}
			}
			imshow("skeletonImage", skeletonImage); //显示图像   
		}
		else
		{
			cout << "Buffer length of received texture is bogus\r\n" << endl;
		}

		if (cvWaitKey(20) == 27)
			break;
	}
	//5、关闭NUI链接   
	NuiShutdown();
	return 0;
}

//通过传入关节点的位置，把骨骼画出来  
void drawSkeleton(Mat &image, CvPoint pointSet[], int whichone)
{
	CvScalar color;
	switch (whichone) //跟踪不同的人显示不同的颜色   
	{
	case 0:
		color = cvScalar(255);
		break;
	case 1:
		color = cvScalar(0, 255);
		break;
	case 2:
		color = cvScalar(0, 0, 255);
		break;
	case 3:
		color = cvScalar(255, 255, 0);
		break;
	case 4:
		color = cvScalar(255, 0, 255);
		break;
	case 5:
		color = cvScalar(0, 255, 255);
		break;
	}

	if ((pointSet[NUI_SKELETON_POSITION_HEAD].x != 0 || pointSet[NUI_SKELETON_POSITION_HEAD].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_HEAD], pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_SPINE].x != 0 || pointSet[NUI_SKELETON_POSITION_SPINE].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER], pointSet[NUI_SKELETON_POSITION_SPINE], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_SPINE].x != 0 || pointSet[NUI_SKELETON_POSITION_SPINE].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_HIP_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_CENTER].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SPINE], pointSet[NUI_SKELETON_POSITION_HIP_CENTER], color, 2);

	//左上肢   
	if ((pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER], pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SHOULDER_LEFT], pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_WRIST_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_WRIST_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_ELBOW_LEFT], pointSet[NUI_SKELETON_POSITION_WRIST_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_WRIST_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_WRIST_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_HAND_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_HAND_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_WRIST_LEFT], pointSet[NUI_SKELETON_POSITION_HAND_LEFT], color, 2);

	//右上肢   
	if ((pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SHOULDER_CENTER], pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_SHOULDER_RIGHT], pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_ELBOW_RIGHT], pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_HAND_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_HAND_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_WRIST_RIGHT], pointSet[NUI_SKELETON_POSITION_HAND_RIGHT], color, 2);

	//左下肢   
	if ((pointSet[NUI_SKELETON_POSITION_HIP_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_CENTER].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_HIP_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_HIP_CENTER], pointSet[NUI_SKELETON_POSITION_HIP_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_HIP_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_KNEE_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_KNEE_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_HIP_LEFT], pointSet[NUI_SKELETON_POSITION_KNEE_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_KNEE_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_KNEE_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_KNEE_LEFT], pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_FOOT_LEFT].x != 0 || pointSet[NUI_SKELETON_POSITION_FOOT_LEFT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_ANKLE_LEFT], pointSet[NUI_SKELETON_POSITION_FOOT_LEFT], color, 2);

	//右下肢   
	if ((pointSet[NUI_SKELETON_POSITION_HIP_CENTER].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_CENTER].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_HIP_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_HIP_CENTER], pointSet[NUI_SKELETON_POSITION_HIP_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_HIP_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_HIP_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_HIP_RIGHT], pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_KNEE_RIGHT], pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT], color, 2);
	if ((pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT].y != 0) &&
		(pointSet[NUI_SKELETON_POSITION_FOOT_RIGHT].x != 0 || pointSet[NUI_SKELETON_POSITION_FOOT_RIGHT].y != 0))
		line(image, pointSet[NUI_SKELETON_POSITION_ANKLE_RIGHT], pointSet[NUI_SKELETON_POSITION_FOOT_RIGHT], color, 2);
}

人体骨骼关键点检测与跟踪：Azure Kinect DK入门指南
ZgnObjectivec的博客
09-14 858
人体骨骼关键点检测和跟踪是计算机视觉领域中一项重要的任务，它可以用于识别和分析人体姿态、动作和行为。Azure Kinect DK是一款强大的深度摄像头设备，可以用于获取人体骨骼关键点并进行目标跟踪。本文将介绍如何使用Azure Kinect DK进行人体骨骼关键点检测和目标跟踪，并提供相应的源代码。通过以上步骤，你可以使用Azure Kinect DK进行人体骨骼关键点检测和目标跟踪。为了获取人体骨骼关键点，我们需要使用Azure Kinect DK提供的深度图像和人体骨骼跟踪器。
第三篇 KinectV2骨骼获取原理和获取方法及源代码
热门推荐
baolinq的博客
08-30 4万+
第三篇  KinectV2骨骼获取原理和获取方法及源代码   首先声明一下，本系统所使用的开发环境版本是计算机系统Windows 10、Visual Studio 2013、Opencv3.0和Kinect SDK v2.0。这些都可以在百度上找到，download下来安装一下即可。 通过上一篇文章，我们已经基本学会如何获取Kinect 的各种数据源，对于骨骼数据的获取是稍微复杂的那一个
windows下用kinect V2 识别人体骨骼
interstellar-ai的博客
07-24 1万+
配置环境：windows10+vs2015+opencv3.0 首先到windows官网下载kinect for windows sdk ，我用的是2.0版本，下载后安装即可。安装完成后，将Kinect V2连接到电脑USB3.0的口，我的电脑是左手边最下面的那个，然后打开设备管理器，查看kinect是否连接正常，如下图所示即为连接正常，如果有感叹号，则把这个驱动删了，然后拔掉Kinect，再连接
Kinect开发之获取骨骼关节数据并绘制成火柴人
JavaFresh
10-02 2551
   上篇博文已经介绍了用Kinect获取彩色摄像头数据，当然，深景摄像头数据是一样的做法，获取图像数据的处理与其他颜色数据的处理大同小异，在此就不展开说明。本博文主要讨论用Kinect获取骨骼关节数据并绘制成图形。     Kinect SDK 中骨骼追踪有一些和其他对象不一样的对象结构和枚举。 在 SDK 中骨骼追踪相关的内容几乎占据了三分之一的内容，可见 Kinect 中骨骼追踪技术的...
Kinect_v1 开发环境搭建
showxjs的博客
04-17 1356
写在前面初涉SLAM，想用实验室的Kinect一代采集实验室的场景数据放到SLAM系统里面跑一跑。1. 搭建开始环境win10 64bit + VS2015 + Kinect SDK 1.8 安装SDK 安装前确认： (1)安装SDK前要确保Visual Studio是关闭的，以便于Kinect SDK的环境变量配置 (2)如果你的电脑正处于Windows更新，请更新完毕后再安装 (3)确保
Kinect——人体骨架检测
07-08
利用微软Kinnect-v2相机读取人体骨架并追踪。需要下载Kinnect SDK和opencv库
Kinect2.0 骨骼点获取
11-14
Kinect 2.0 骨骼显示及画出骨骼结合opencv 显示。
基于数据挖掘探析阳溪穴主治病症和配伍规律.pdf
07-14
阳溪穴是中医针灸学中一个重要的特定穴位，位于手腕背面，当拇指上翘时，手掌小鱼际上部显现的突起骨边缘与腕横纹上2寸处。它的治疗作用和配伍规律是针灸医生临床实践中需要掌握的基本知识之一。随着信息技术的发展...
ArcMap欧氏距离工具提取图像骨架线
GEO-LIKE的博客
11-28 9883
图像骨架线(Morphological skeleton)图像骨架线在wiki中有两个术语，分别是Morphological skeleton和Topological skeleton。 形态骨架线（Morphological skeleton）在数字图像处理中，形态骨架是通过形态学算子计算的形状或二值图像的骨架（或中轴）表示。形态骨架有两种：那些通过形态开口定义的，可以重建原始形状的开口， 那些通
SONION-MEMSMic骨传导拾音解决方案.docx
10-26
对于不具备足够算力的芯片，如络达、瑞昱、恒玄等，可以通过与QuickLogic S3、Ambiq Apollo2、Apollo3或楼氏IA-610、IA-611智能麦克风芯片组合使用，来实现高算力低功耗下的本地唤醒词功能。 #### 结论 SONION-...
HTML+CSS+JS+JQ+Bootstrap的简约营销数据管理网站.7z
最新发布
06-28
HTML筑基，强化网页骨络； CSS妆点，让设计灵动多彩； JavaScript驱动，实现页面互动； jQuery加持，简化操作，加速开发； Bootstrap响应，适配多端，无缝浏览。 无论你是编程新手还是高手，这份资源都能带你深入...
HTML+CSS+JS+JQ+Bootstrap的订单收益数据管理网页.7z
06-28
HTML筑基，强化网页骨络； CSS妆点，让设计灵动多彩； JavaScript驱动，实现页面互动； jQuery加持，简化操作，加速开发； Bootstrap响应，适配多端，无缝浏览。 无论你是编程新手还是高手，这份资源都能带你深入...
kinect 通过opencv显示骨骼图像
09-11
kinect通过opencv2.4.9win7系统显示人体20个骨骼关节图，代码加入了骨骼的平滑操作避免抖动，代码比较详细适合初学者进行学习，
基于qualcomm平台的kinect教程四之获取骨骼图
ad3600的博客
09-19 1449
在继《基于qualcomm平台的kinect教程三之获取深度图》之后，今天我们来获取下人体的骨骼图。 一.核心代码: //------------------------------------------------------------------------------ // // Copyright (c) Microsoft Corporation. All
飞行机器人专栏（十四）-- Kinect DK 人体骨骼点运动提取方法
Techblog of HaoWANG
04-17 1883
Azure Kinect DK 是一款开发人员工具包，配有先进的 AI 传感器，提供复杂的计算机视觉和语音模型。Kinect 将深度传感器、空间麦克风阵列与视频摄像头和方向传感器整合成一体式的小型设备，提供多种模式、选项和软件开发工具包 (SDK)。用于访问低级别传感器和设备的传感器 SDK。用于跟踪 3D 人体的人体跟踪 SDK。用于启用麦克风访问和基于 Azure 云的语音服务的 Azure AI 语音 SDK。此外，可将认知视觉服务与设备 RGB 相机配合使用。
[译]Kinect for Windows SDK开发入门(七)：骨骼追踪基础 下
weixin_34192816的博客
04-09 227
    上一篇文章用在UI界面上绘制骨骼数据的例子展示了骨骼追踪系统涉及的主要对象，然后详细讨论了骨骼追踪中所涉及的对象模型。但是了解了基本概念是一回事，能够建立一个完整的可用的应用程序又是另外一回事，本文通过介绍一个简单的Kinect游戏来详细讨论如何应用这些对象来建立一个完整的Kinect应用，以加深对Kinect骨骼追踪所涉及的各个对象的了解。   1. Kinect连线游戏    ...
三维重建学习笔记之Kinect v1开发环境配置
qq_37860796的博客
08-20 598
说在前面： 硬件设备：Kinect v1   初识Kinect之硬件篇： 传感器的数据流：C 颜色       D 深度       A 音频       IR 红外线       AC 加速度    初识Kinect之驱动篇： 查阅网上，关于indigo下配置Kinect的驱动有以下几种（又如官网介绍http://wiki.ros.org/kinect），比如 ①安装SensorK...
Kinect学习（一）：开发环境搭建
hongbin_xu的博客
06-20 2万+
前言 当初刚进大学时买了一台Xbox 360，为了玩体感游戏另外还买了一个Kinect
用alexnet 络训练mnist数据集
11-29
MNIST数据集是一个手写数字识别数据集，而AlexNet是一个用于图像分类的深度学习模型，因此可以使用AlexNet模型对MNIST数据集进行训练和分类。 以下是使用PyTorch框架和AlexNet模型对MNIST数据集进行训练和分类的代码示例： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 定义数据预处理 transform = transforms.Compose([ transforms.Resize((227, 227)), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) # 加载MNIST数据集 train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) # 定义数据加载器 train_loader = DataLoader(train_dataset, batch_size=128, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=128, shuffle=False) # 定义AlexNet模型 class AlexNet(nn.Module): def __init__(self, num_classes=10): super(AlexNet, self).__init__() self.features = nn.Sequential( nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), ) self.avgpool = nn.AdaptiveAvgPool2d((6, 6)) self.classifier = nn.Sequential( nn.Dropout(), nn.Linear(256 * 6 * 6, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, num_classes), ) def forward(self, x): x = self.features(x) x = self.avgpool(x) x = torch.flatten(x, 1) x = self.classifier(x) return x # 定义训练函数 def train(model, device, train_loader, optimizer, epoch): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) loss = nn.CrossEntropyLoss()(output, target) loss.backward() optimizer.step() if batch_idx % 100 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item())) # 定义测试函数 def test(model, device, test_loader): model.eval() test_loss = 0 correct = 0 with torch.no_grad(): for data, target in test_loader: data, target = data.to(device), target.to(device) output = model(data) test_loss += nn.CrossEntropyLoss(reduction='sum')(output, target).item() pred = output.argmax(dim=1, keepdim=True) correct += pred.eq(target.view_as(pred)).sum().item() test_loss /= len(test_loader.dataset) print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format( test_loss, correct, len(test_loader.dataset), 100. * correct / len(test_loader.dataset))) # 定义训练参数 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = AlexNet().to(device) optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) # 训练模型 for epoch in range(1, 11): train(model, device, train_loader, optimizer, epoch) test(model, device, test_loader) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值