其他
PyTorch 教程-CIFAR-10数据集上LeNet模型的测试
在前一个主题中，我们发现我们的LeNet模型与卷积神经网络能够对MNIST数据集图像进行分类。MNIST数据集包含灰度图像，但在CHIFAR-10数据集中，图像是彩色的且包含不同的物体。因此，我们最大的问题是我们的LeNet模型是否能够对CIFAR-10数据集的图像进行分类。我们将复制我们先前主题的代码，即CNN测试，并在代码的图像转换、实现、训练、验证和测试部分进行以下更改：
注意：如果您是新手，请务必了解我们先前主题的知识，以更有效地理解这个主题。
图像转换部分的更改：
在图像转换部分，我们将进行以下更改：
步骤1：
training_dataset=datasets.CIFAR10(root='./data',train=True,download=True,transform=transform1) validation_dataset=datasets.CIFAR10(root='./data',train=False,download=True,transform=transform1) 步骤2：
transform1=transforms.Compose([transforms.Resize((32,32)),transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))]) 现在，如果我们绘制我们的CIFAR-10图像，将得到以下输出：
步骤3：
classes={'plane','car','bird','cat','dear','dog'.'frog','horse','ship','truck'}步骤4：
ax.set_title(classes[labels[idx].item()])它将给出以下输出：
实现、训练和验证部分的更改：
我们的Lenet模型是为MNIST图像实现的。MNIST图像是灰度图像，但我们必须为包含彩色图像的CIFAR-10数据集实现我们的模型。因此，我们必须在代码中进行以下更改：
步骤1：
self.conv1=nn.Conv2d(3,20,5,1)步骤2：
现在，我们必须训练大量的参数。经过5x5内核的卷积后，图像变为28x28，然后通过下一个池化变为14x14，执行具有相同大小内核的另一个卷积。图像再次减小为4x4，最后通过另一个最大池化，将馈送到完全连接的网络中的向量将是5x5x50。
self.fully1=nn.Linear(5*5*50,500)步骤3：
xx=x.view(-1,5*5*50) #Reshaping the output into desired shape现在，找到总损失和验证损失以及准确度和验证准确度并绘制，然后它将给出以下输出：
步骤4：
现在，我们将使用它来预测来自Web的图像，以简单地获取模型准确性的视觉透视。我们将使用以下图像：https://3c1703fe8d.site.internapcdn.net/newman/gfx/news/hires/2018/2-dog.jpg
当我们绘制这个图像时，它将显示为：
步骤5：
url='https://ichef.bbci.co.uk/news/912/cpsprodpb/160B4/production/_103229209_horsea.png' response=requests.get(url,stream=True) img=Image.open(response.raw) img=transform1(img) plt.imshow(im_convert(img))在转换后，我们获得了图像的更抽象表示。它缩小为一个较小的32x32表示。
步骤6：
image1=img.to(device).unsqueeze(0) output=model(image1) _,pred=torch.max(output,1) print(classes[pred.item()])测试部分的更改：
dataiter=iter(validation_loader) images,labels=dataiter.next() imagesimages_=images.to(device) labelslabels=labels.to(device) output=model(images_) _,preds=torch.max(output,1) fig=plt.figure(figsize=(25,4)) for idx in np.arange(20): ax=fig.add_subplot(2,10,idx+1,xticks=[],yticks=[]) plt.imshow(im_convert(images[idx])) ax.set_title("{}({})".format(str(classes[preds[idx].item()]),str(classes[labels[idx].item())),color=("green" if preds[idx]==labels[idx] else "red")) plt.show()