PyTorch练手项目分享：模型微调 .docx

本文目的：基于 kaggle 上狗的种类识别项目，展示如何利用 PyTorch 来进行模型

微调。

PyTorch 中 torchvision 是一个针对视觉领域的工具库，除了提供有大量的数据集，

还有许多预训练的经典模型。这里以官方训练好的 resnet50 为例，拿来参加 kaggle

上面的 dog breed 狗的种类识别。

1 导入相关库，设置一些超参

import torch

import torchvision

import torch.nn as nn

print (torch.__version__) #1.1.0

print (torchvision.__version__) #0.3.0

#定义一些超参

IMG_SIZE = 224 #模型要求的输入尺寸

IMG_MEAN = [ 0.485 , 0.456 , 0.406 ] #图像预处理中需要的均值和方差

IMG_STD = [ 0.229 , 0.224 , 0.225 ]

首先下载官方的数据并解压，只要保持数据的目录结构即可，这里指定一下目录的

位置，并且看下内容。（注意：labels.csv 文件中有 10222 条标签，对应的是 train

文件夹中图像。）

#DATA_ROOT = r'D:\KaggleDatasets\competitions\dog-breed-identification'

#注 1：常用'/'表相对路径，'\'表绝对路径，网页网址和 linux 系统下一般用'/'

DATA_ROOT = '/KaggleDatasets/competitions/dog-breed-identification'

df = pd.read_csv(os.path.join(DATA_ROOT, 'labels.csv' ))

df.head()

为了后续方便，这里定义两个字典，并将类别序号添加进 DataFrame 中。

idx2breed = dict ((idx,breed) for idx,breed in

len (breeds) #120

df[ 'label_idx' ] = pd.Series(breed2idx, index=df.breed).values

#df.shape #(10222, 3)

将数据分割成训练集和验证集。这里只分割 10%的数据作为训练时的验证数据。

#分割数据集