目录
1、数据增强
2、transforms----裁剪
3、transforms----翻转和旋转
1、数据增强 
文章图片
文章图片
2、transforms----裁剪 
文章图片
【PyTorch|PyTorch 第二周第三节（transforms图像增强（一））】
文章图片
文章图片
文章图片
文章图片
3、transforms----翻转和旋转 
文章图片
文章图片
文章图片
目录1、人民币二分类2、Dataloader与Datasettorch.utils.data.DataLoadertorch.utils.data.Dataset
1、人民币二分类[点击并拖拽以移动]
2、Dataloader与Dataset
torch.utils.data.DataLoader功能：构建可迭代的数据装载器dataset：Dataset类，决定数据从哪读取及如何读取
batchsize：批大小
num_works：是否多进程读取数据
shuffle：每个epoch是否乱序
drop_last：当样本数不能被batchsize整除时，是否舍弃最后一批数据 Epoch：所有训练样本都已输入到模型中，称为一个EpochIteration：一批样本输入到模型中，称之为一个IterationBatchsize：批大小，决定一个Epoch有多少个Iteration样本总数：80，Batchsize：81 Epoch = 10 Iteration样本总数：87，Batchsize：81 Epoch = 10 Iteration？drop_last = True ##舍弃7个1 Epoch = 11 Iteration? drop_last = False##最后一个样本数量小于Batchsize
torch.utils.data.Dataset功能：Dataset抽象类，所有自定义的Dataset需要继承它，并且复写__getitem__()getitem：接收一个索引，返回一个样本#==============step 1/5 数据===========
split_dir = os.path.join('..','..','data','rmb_split')
train_dir = os.path.join(split_dir,'train')
valid_dir = os.path.join(split_dir,'valid')train_transform=transforms.Compose([
transforms.Resize((32,32)),
transforms.RandomCrop(32,padding=4),
transforms.ToTensor(),
])valid_transform=transforms.Compose([
transforms.Resize((32,32)),
transforms.ToTensor(),
])#构建MyDataset实例
train_data = https://www.it610.com/article/RMBDataset(data_dir=train_dir,transform=train_transform)
valid_data = RMBDataset(data_dir=valid_dir,transform=valid_transform)#构建DataLoader
train_loader=DataLoader(dataset=train_data,batch_size=BATCH_SIZE,shuffle=True)
valid_loader=DataLoader(dataset=valid_data,batch_size=BATCH_SIZE)#=======================step 2/5 模型============
net = LeNet(classes=2)
net.initialize_weights()#=======================step 3/5 损失函数============
criterion = nn.CrossEntropyLoss()#======================step 4/5 优化器==============
optimizer=optim.SGD(net.parameters(),lr=LR,momentum=0.9)
scheduler=torch.optim.lr_scheduler.StepLR(optimizer,step_size=10,gamma=0.1)#===============step 5/5 训练==========================
train_curve=list()
valid_curve=list()for epoch in range(MAX_EPOCH):
loss_mean = 0.
correct = 0.
total = 0.net.train()
for i,data in enumerate(train_loader):#forward
inputs,labels = data
outputs = net(inputs)#backward
optimizer.zero_grad()
loss=criterion(outputs,labels)
loss.backward()#统计分类情况
_,predicted = torch.max(outputs.data,1)
total+=labels.size(0)
correct += (predicted ==labels).squeeze().numpy()#打印训练信息
loss_mean+=loss.item()
train_curve.append(loss.item())
if (i+1)%log_interval ==0:
loss_mean = loss_mean /log_intervel
print("training:epoch[{:0>3}/{:0>3}]Iteration[{:0>3}/{:0>3}] Loss:{:.4f} Acc:{:.2%}".format(epoch,MAX_EPOCH,i+1,len(train_loader),loss_mean,correct/total))
loss_mean=0.scheduler.step()#更新学习率#validate the model
if (epoch+1)%val_interval ==0:
correct_val = 0.
total_val = 0.
loss_val = 0.
net.eval()
with torch.no_grad():
for j,data in enumerate(valid_loader):
inputs,labels=data
outputs=net(inputs)
loss=ctiterion(outputs,labels)_,predicted=torch.max(outputs.data,1)
total_val += labels.size(0)
correct_val+=(predicted==labels).squeeze().sum().numpy()推荐阅读
- pytorch|pytorch 图像增广的操作，裁剪，翻转，颜色，亮度等
- 机器学习|pytorch 数据预处理（填充、随机裁剪、随机遮挡、随机左右翻转）
- yolox|YoloX算法学习（1）
- 深度学习自学笔记|深度学习+pytorch自学笔记（四）——softmax回归
- 动手学Pytorch|[Pytorch]＜动手学深度学习＞pytorch笔记-----SoftMax回归
- Pytorch|Pytorch中的torch.gather函数详解，从抽象到具体
- 算法|基于pytorch手动实现softmax回归
- Pytorch学习笔记|【Pytorch学习笔记】2.动手生成计算图——将Tensor间的计算流程和梯度传递可视化，使用torchviz生成计算图
- Pytorch学习笔记|【Pytorch学习笔记】3.温习matplotlib——实用的 matplotlib.pyplot 预览图片类数据集的方法（以FashionMNIST为例）