利用PyTorch實現VGG16教程

我就廢話不多說了，大家還是直接看代碼吧~

  import torch  import torch.nn as nn  import torch.nn.functional as F  class VGG16(nn.Module):      def __init__(self):    super(VGG16, self).__init__()        # 3 * 224 * 224    self.conv1_1 = nn.Conv2d(3, 64, 3) # 64 * 222 * 222    self.conv1_2 = nn.Conv2d(64, 64, 3, padding=(1, 1)) # 64 * 222* 222    self.maxpool1 = nn.MaxPool2d((2, 2), padding=(1, 1)) # pooling 64 * 112 * 112        self.conv2_1 = nn.Conv2d(64, 128, 3) # 128 * 110 * 110    self.conv2_2 = nn.Conv2d(128, 128, 3, padding=(1, 1)) # 128 * 110 * 110    self.maxpool2 = nn.MaxPool2d((2, 2), padding=(1, 1)) # pooling 128 * 56 * 56        self.conv3_1 = nn.Conv2d(128, 256, 3) # 256 * 54 * 54    self.conv3_2 = nn.Conv2d(256, 256, 3, padding=(1, 1)) # 256 * 54 * 54    self.conv3_3 = nn.Conv2d(256, 256, 3, padding=(1, 1)) # 256 * 54 * 54    self.maxpool3 = nn.MaxPool2d((2, 2), padding=(1, 1)) # pooling 256 * 28 * 28        self.conv4_1 = nn.Conv2d(256, 512, 3) # 512 * 26 * 26    self.conv4_2 = nn.Conv2d(512, 512, 3, padding=(1, 1)) # 512 * 26 * 26    self.conv4_3 = nn.Conv2d(512, 512, 3, padding=(1, 1)) # 512 * 26 * 26    self.maxpool4 = nn.MaxPool2d((2, 2), padding=(1, 1)) # pooling 512 * 14 * 14        self.conv5_1 = nn.Conv2d(512, 512, 3) # 512 * 12 * 12    self.conv5_2 = nn.Conv2d(512, 512, 3, padding=(1, 1)) # 512 * 12 * 12    self.conv5_3 = nn.Conv2d(512, 512, 3, padding=(1, 1)) # 512 * 12 * 12    self.maxpool5 = nn.MaxPool2d((2, 2), padding=(1, 1)) # pooling 512 * 7 * 7    # view        self.fc1 = nn.Linear(512 * 7 * 7, 4096)    self.fc2 = nn.Linear(4096, 4096)    self.fc3 = nn.Linear(4096, 1000)    # softmax 1 * 1 * 1000       def forward(self, x):        # x.size(0)即為batch_size    in_size = x.size(0)        out = self.conv1_1(x) # 222    out = F.relu(out)    out = self.conv1_2(out) # 222    out = F.relu(out)    out = self.maxpool1(out) # 112        out = self.conv2_1(out) # 110    out = F.relu(out)    out = self.conv2_2(out) # 110    out = F.relu(out)    out = self.maxpool2(out) # 56        out = self.conv3_1(out) # 54    out = F.relu(out)    out = self.conv3_2(out) # 54    out = F.relu(out)    out = self.conv3_3(out) # 54    out = F.relu(out)    out = self.maxpool3(out) # 28        out = self.conv4_1(out) # 26    out = F.relu(out)    out = self.conv4_2(out) # 26    out = F.relu(out)    out = self.conv4_3(out) # 26    out = F.relu(out)    out = self.maxpool4(out) # 14        out = self.conv5_1(out) # 12    out = F.relu(out)    out = self.conv5_2(out) # 12    out = F.relu(out)    out = self.conv5_3(out) # 12    out = F.relu(out)    out = self.maxpool5(out) # 7        # 展平    out = out.view(in_size, -1)        out = self.fc1(out)    out = F.relu(out)    out = self.fc2(out)    out = F.relu(out)    out = self.fc3(out)        out = F.log_softmax(out, dim=1)    return out

補充知識：Pytorch實現VGG（GPU版）

看代碼吧~

  import torch  from torch import nn  from torch import optim  from PIL import Image  import numpy as np    print(torch.cuda.is_available())  device = torch.device('cuda:0')  path="/content/drive/My Drive/Colab Notebooks/data/dog_vs_cat/"    train_X=np.empty((2000,224,224,3),dtype="float32")  train_Y=np.empty((2000,),dtype="int")  train_XX=np.empty((2000,3,224,224),dtype="float32")    for i in range(1000):   file_path=path+"cat."+str(i)+".jpg"   image=Image.open(file_path)   resized_image = image.resize((224, 224), Image.ANTIALIAS)   img=np.array(resized_image)   train_X[i,:,:,:]=img   train_Y[i]=0    for i in range(1000):   file_path=path+"dog."+str(i)+".jpg"   image = Image.open(file_path)   resized_image = image.resize((224, 224), Image.ANTIALIAS)   img = np.array(resized_image)   train_X[i+1000, :, :, :] = img   train_Y[i+1000] = 1    train_X /= 255    index = np.arange(2000)  np.random.shuffle(index)    train_X = train_X[index, :, :, :]  train_Y = train_Y[index]    for i in range(3):   train_XX[:,i,:,:]=train_X[:,:,:,i]  # 創建網絡    class Net(nn.Module):     def __init__(self):    super(Net, self).__init__()    self.conv1 = nn.Sequential(     nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=64, out_channels=64, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.BatchNorm2d(num_features=64, eps=1e-05, momentum=0.1, affine=True),     nn.MaxPool2d(kernel_size=2,stride=2)    )    self.conv2 = nn.Sequential(     nn.Conv2d(in_channels=64,out_channels=128,kernel_size=3,stride=1,padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=128, out_channels=128, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.BatchNorm2d(128,eps=1e-5,momentum=0.1,affine=True),     nn.MaxPool2d(kernel_size=2,stride=2)    )    self.conv3 = nn.Sequential(     nn.Conv2d(in_channels=128, out_channels=256, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.BatchNorm2d(256,eps=1e-5, momentum=0.1, affine=True),     nn.MaxPool2d(kernel_size=2, stride=2)    )    self.conv4 = nn.Sequential(     nn.Conv2d(in_channels=256, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.BatchNorm2d(512, eps=1e-5, momentum=0.1, affine=True),     nn.MaxPool2d(kernel_size=2, stride=2)    )    self.conv5 = nn.Sequential(     nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, stride=1, padding=1),     nn.ReLU(),     nn.BatchNorm2d(512, eps=1e-5, momentum=0.1, affine=True),     nn.MaxPool2d(kernel_size=2, stride=2)    )    self.dense1 = nn.Sequential(     nn.Linear(7*7*512,4096),     nn.ReLU(),     nn.Linear(4096,4096),     nn.ReLU(),     nn.Linear(4096,2)    )     def forward(self, x):    x=self.conv1(x)    x=self.conv2(x)    x=self.conv3(x)    x=self.conv4(x)    x=self.conv5(x)    x=x.view(-1,7*7*512)    x=self.dense1(x)    return x    batch_size=16  net = Net().to(device)  criterion = nn.CrossEntropyLoss()  optimizer = optim.Adam(net.parameters(), lr=0.0005)    train_loss = []  for epoch in range(10):     for i in range(2000//batch_size):    x=train_XX[i*batch_size:i*batch_size+batch_size]    y=train_Y[i*batch_size:i*batch_size+batch_size]      x = torch.from_numpy(x)  #(batch_size,input_feature_shape)    y = torch.from_numpy(y)  #(batch_size,label_onehot_shape)    x = x.cuda()    y = y.long().cuda()      out = net(x)      loss = criterion(out, y)   # 計算兩者的誤差    optimizer.zero_grad()    # 清空上一步的殘餘更新參數值    loss.backward()     # 誤差反向傳播, 計算參數更新值    optimizer.step()     # 將參數更新值施加到 net 的 parameters 上    train_loss.append(loss.item())      print(epoch, i*batch_size, np.mean(train_loss))    train_loss=[]    total_correct = 0  for i in range(2000):   x = train_XX[i].reshape(1,3,224,224)   y = train_Y[i]   x = torch.from_numpy(x)     x = x.cuda()   out = net(x).cpu()   out = out.detach().numpy()   pred=np.argmax(out)   if pred==y:    total_correct += 1   print(total_correct)    acc = total_correct / 2000.0  print('test acc:', acc)    torch.cuda.empty_cache()

將上面代碼中batch_size改為32，訓練次數改為100輪，得到如下準確率

過擬合了~