目录

一、前期准备

1、查看设备

2、导入本地数据

3、测试下获取到的天气数据

4、图像预处理

5、划分数据集

6、加载数据集

二、搭建简单的CNN网络（特征提取+分类）

三、训练模型

1、设置超参数

2、编写训练函数

3、编写测试函数

4、正式训练

5、可视化结果

6、训练结果截图对比

7、模型保存

---

• 🍨 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 | 接辅导、项目定制

今天这篇文章，主要是用来对天气的图片进行识别的。能够训练预测天气模型，然后对预测出的天气模型，使测试率达到90%以上。

基本的流程同之前两篇的类似，区别在于，这篇文章是获取的是本地的图片数据，不是之前以往的在线下载的数据。

一、前期准备

1、查看设备

import torch

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(device)

2、导入本地数据

将提前准备好的文件夹，放在和train.py文件同级目录

# 导入数据
data_dir = './weather_photos'
data_dir = pathlib.Path(data_dir)  # 返回的结果为： weather_photos

data_paths = list(data_dir.glob('*'))  # 得到weather_photos下面的所有文件夹路径。例如：weather_photos/sunrise,weather_photos/rain
classNames = [str(path).split('/')[1] for path in data_paths]  # 将上面获取到的data_paths进行分割。
print(classNames)  # 返回的结果为：['cloudy', 'rain', 'shine', 'sunrise']

3、测试下获取到的天气数据

# 展示获取到的天气数据
# 指定图像文件夹路径
image_folder = './weather_photos/cloudy/'
# 获取文件夹中的所有图像文件（.endswith 检查每个文件名f是否以指定的后缀结尾）
image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.png', 'jpeg'))]
# 创建Matplotlib图像
fig, axes = plt.subplots(3, 8, figsize=(16, 6))  # 创建一个3行8列的网格，设置每个网格的大小为16x6

# 使用列表式，加载和显示图像。
for ax, img_file in zip(axes.flat, image_files):
    img_path = os.path.join(image_folder, img_file)   # os.path.join() 用于连接路基
    img = Image.open(img_path)  # Image.open() 用于打开一个图像文件并返回一个图像对象。
    ax.imshow(img)   # 在子图上显示图像
    ax.axis('off')  # 关闭坐标
# 显示图像
plt.tight_layout()  # 使用plt.tight_layout() 来自动调整子图布局
plt.show()

4、图像预处理

# 图像预处理
train_transforms = transforms.Compose([
    transforms.Resize([224, 244]),  # 图像裁剪，调整大小为224x224
    transforms.ToTensor(),   # 数据类型转化，将PIL图像或numpy数组转换为Pytorch的张量；像素值缩放，[0,255]→[0.0,1.0]
    transforms.Normalize(   # 标准化处理
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

5、划分数据集

# 总的数据集
total_data = torchvision.datasets.ImageFolder('./weather_photos',
                                              transform=train_transforms)

# 划分数据集
train_size = int(0.8*len(total_data))   # 训练数据集占 80%  (900个)
test_size = len(total_data) - train_size  # 剩下的为测试集   (225个)

# 该方法将总体数据集total_data按照指定的大小比例[train_size, test_size]随机划分训练集和测试集。
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])

6、加载数据集

# 加载数据集
batch_size = 32
train_dl = torch.utils.data.DataLoader(train_dataset,
                                       batch_size=batch_size,
                                       shuffle=True,
                                       num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,
                                      batch_size=batch_size,
                                      shuffle=True,
                                      num_workers=1)

二、搭建简单的CNN网络（特征提取+分类）

这次搭建的CNN网络，里面使用了归一化nn.BatchNorm2d()

添加nn.BatchNorm2d()常见的时机和位置：

①卷积层之后：在卷积层之后添加nn.BatchNorm2d()是非常常见的做法，有助于对卷积操作后的特征图进行归一化，从而加速训练并提高模型的稳定性。

②全连接层之前

③残差连接中

# 搭建简单的CNN网络模型
class Network_bn(nn.Module):
    def __init__(self):
        super(Network_bn, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(12)

        self.conv2 = nn.Conv2d(in_channels=12, out_channels=12, kernel_size=5, stride=1, padding=0)
        self.bn2 = nn.BatchNorm2d(12)

        self.poo1 = nn.MaxPool2d(kernel_size=2)

        self.conv3 = nn.Conv2d(in_channels=12, out_channels=24, kernel_size=5, stride=1,padding=0)
        self.bn3 = nn.BatchNorm2d(24)

        self.conv4 = nn.Conv2d(in_channels=24, out_channels=24, kernel_size=5, stride=1, padding=0)
        self.bn4 = nn.BatchNorm2d(24)

        self.pool2 = nn.MaxPool2d(kernel_size=2)

        self.fc1 = nn.Linear(24*50*50,len(classNames))  # nn.Linear(in_features, out_features)
    
    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = self.pool1(x)
        x = F.relu(self.bn3(self.conv3(x)))
        x = F.relu(self.bn4(self.conv4(x)))
        x = self.pool2(x)
        x = x.view(-1, 24*50*50)
        x = self.fc1(x)
        return x


model = Network_bn().to(device)
print(model)

运行后得到的模型结果为：

三、训练模型

1、设置超参数

# 设置超参数
loss_fn = nn.CrossEntropyLoss()  # 创建损失函数
learn_rate = 1e-4  # 学习率
opt = torch.optim.SGD(model.parameters(), lr=learn_rate)

2、编写训练函数

# 编写训练函数
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

    train_loss, train_acc = 0, 0
    for X, y in dataloader:
        X, y = X.to(device), y.to(device)

        # 计算预测误差
        pred = model(X)
        loss = loss_fn(pred, y)

        # 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

3、编写测试函数

# 编写测试函数
def test(dataloader, model, loss_fn):
    size=len(dataloader.dataset)
    num_batches = len(dataloader)

    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

4、正式训练

# 4、正式训练
epochs = 20
train_loss = []
train_acc = []
test_loss = []
test_acc = []

for epoch in range(epochs):
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
    model.eval()

    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)

    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)

    template = 'Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}'
    print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss,epoch_test_acc*100, epoch_test_loss))
print('Done')

5、可视化结果

# 四、可视化结果
warnings.filterwarnings('ignore')
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100  # 分辨率

epochs_range = range(epochs)
plt.figure(figsize=(12,3))

plt.subplot(1, 2, 1)
plt.plot(epochs_range,train_acc, label='Training Accuracy')
plt.plot(epochs_range,test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')

# 在服务器上运行，需要这个
plt.savefig("/data/xx/resultImg.jpg")  # 里面是服务器上存放，运行结果图片的地址
plt.show()

6、训练结果截图对比

 

7、模型保存

# 模型保存
PATH = './model.pth'
torch.save(model.state_dict(), PATH)

这周的内容暂时就到这里了，最主要的变化，就是搭建CNN网络的时候，在每个卷积层后都添加了归一化处理。

新增了一个模型保存，将训练的模型保存下来，以便后续使用该模型，进行预测。

下周就可以使用模型进行预测啦。