目录

1.导包

 2.加载数据、拼接训练、测试数据的文件夹路径

 3.数据预处理

3.1 transforms.Compose数据转化

3.2分类存储的图片数据创建dataloader 

torchvision.datasets.ImageFolder

torch.utils.data.DataLoader

4.加载预训练好的模型（迁移学习） 

4.1固定、修改预训练好的模型参数 

4.2模型拷到GPU上 

4.3定义优化器与损失函数 

4.4学习率衰减 

4.5定义训练过程 

5.测试运行 

6.可视化 ：训练与测试的损失函数、准确率

---

#学习率衰减属于超参数设。在深度学习中，超参数是指在模型训练之前设定的参数，它们不会在训练过程中自动学习到，而是需要人为设置的。
#学习率衰减是一种动态调整学习率的方法，通过在学习过程中逐渐减少学习率，以提高模型的训练效果和稳定性。
#具体来说，学习率衰减是通过在训练过程中逐渐减小学习率来实现的，这有助于在训练初期快速收敛，同时在后期避免过大的波动，从而更接近最优解 

#学习率衰减有两种方式，随着训练次数的增加，学习率逐渐变小

#学习率衰减，在训练过程中使用，   测试过程中不需要使用

1.导包

import torch 
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt

import torchvision
from torchvision import transforms

import os

 2.加载数据、拼接训练、测试数据的文件夹路径

base_dir = './dataset'
train_dir = os.path.join(base_dir, 'train')
test_dir = os.path.join(base_dir, 'test')

 3.数据预处理

3.1 transforms.Compose数据转化

transform = transforms.Compose([
    # 统一缩放到96 * 96
    transforms.Resize((96, 96)),
    transforms.ToTensor(),
    # 正则化
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

3.2分类存储的图片数据创建dataloader 

torchvision.datasets.ImageFolder

torch.utils.data.DataLoader

train_ds = torchvision.datasets.ImageFolder(train_dir, transform=transform)
test_ds = torchvision.datasets.ImageFolder(test_dir, transform=transform)

batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds, batch_size=batch_size, shuffle=True, drop_last=True)
test_dl = torch.utils.data.DataLoader(test_ds, batch_size=batch_size)

4.加载预训练好的模型（迁移学习） 

# 加载预训练好的模型
model = torchvision.models.vgg16(pretrained=True)

model

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1,