第P6周：VGG-16算法-Pytorch实现人脸识别

测试函数ce🍨 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

0.前期准备
开发及运行环境
● 语言环境：Python3.9.13
● 编译器：Jupyter Lab
● torch-1.9.1  Cuda 11.2  torchvision-0.10.1

● 涉及的库包括：torch、torch.nn、matplotlib.pyplot 、torchvision、numpy、torch.nn.functional
————————————————
版权声明：本文为优快云博主「swtee」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/swtee/article/details/149547849

数据依旧来自K同学
————————————————
版权声明：本文为优快云博主「swtee」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/swtee/article/details/149814018

VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。

from torchvision.models import vgg16

 
model = vgg16(pretrained = True).to(device) # 加载预训练的vgg16模型

for param in model.parameters():
    param.requires_grad = False # 冻结模型的参数，这样子在训练的时候只训练最后一层的参数

 
model.classifier._modules['6'] = nn.Linear(4096,len(classeNames)) # 修改vgg16模型中最后一层 

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小
    num_batches = len(dataloader)   # 批次数目, (size/batch_size，向上取整)

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率
    
    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)
        
        # 计算预测误差
        pred = model(X)          # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
        
        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()        # 反向传播
        optimizer.step()       # 每一步自动更新
        
        # 记录acc与loss
        train_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()
            
    train_acc  /= size
    train_loss /= num_batches

    return train_acc, train_loss

测试函数

def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小
    num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)
    test_loss, test_acc = 0, 0
    
    # 当不进行训练时，停止梯度更新，节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)
            
            # 计算loss
            target_pred = model(imgs)
            loss        = loss_fn(target_pred, target)
            
            test_loss += loss.item()
            test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc  /= size
    test_loss /= num_batches

    return test_acc, test_loss

结果：

可视化输出：

调参：

待续

本次使用pytorch深度学习环境对官方的VGG-16模型进行调用，并且保存最佳模型权重。VGG-16模型的最大特点是深度。除此之外，其卷积层都采用3x3的卷积核和步长为1的卷积操作，同时卷积层后都有ReLU激活函数，从而降低过拟合风险。

2.训练过程中发现训练和测试的acc都过低（约为20%），通过调整动态学习率予以调整，初始学习率增大一个数量级之后，此问题得到一定的解决。