一、自定義數據集

現有數據如下：

5個文件夾，每個文件夾是神奇寶貝的一種。

每個圖片形狀、大小、格式不一。

我們訓練CNN的時候需要的是tensor類型的數據，因此需要將所有的圖片進行下列轉換：

1.對文件夾編號，進行映射，比如妙蛙種子文件夾編號0，皮卡丘編號1等。

2.對文件夾中所有圖片，進行編號的對應，這個就是標簽。并保存為一個csv文件。

3.圖片信息獲取：分為train,val,test

4.處理圖片，使其成為torch可以處理的類型

1.文件夾映射

前半部分為文件夾的映射。我們希望傳入數據的時候直接傳入文件夾的名字，而文件夾所在的路徑就是py文件所在的路徑，因此這樣可以直接讀取。對于路徑的操作使用os.path.join進行。

2.圖片對應標簽

輸入的filename，就是我們將圖片和標簽信息存儲的文件。

使用glob.glob方法，可以輕松調取路徑下的所有指定類型的文件。

將名字和標簽對應好后，通過csv.writer，可以將信息以csv格式寫入新文件。

以上是保存的部分，在這個函數中，我們還要重新讀取一下這個文件，因為要在這個類中獲得最終的圖片，以及標簽，并且返回。

3.訓練及測試數據分割

這里是第一步的圖片的后半部分，導入了圖片之后，對其進行分割，這里是按照訓練、交叉驗證、測試，分別是0.6,0.2,0.2進行分割的。

分割完畢后的self.images, self.labels，就可以拿來進行tensor相關的處理了。

4.數據處理

上面幾步是準備工作，接下來定義的__getitem__是為了能夠使train_loader = DataLoader()這一語句實現。在這里面直接將數據進行我們希望進行的轉換。比如大小、旋轉、裁剪等。

最后返回處理好的圖片，以及tensor化的標簽。

另外，還需要定義一個__len__，使得我們可以獲得數據集長度。

二、ResNet處理

我們要用ResNet對圖片進行處理，因此其中的參數需要進行一定的修改。

主要的修改部分是ResNet18之中的resblock模塊。因為我們希望輸入的是3通道，224*224的圖片，因此在這里對通道，步長進行一定的修改，并進行測試，成功之后便可以進行訓練了。

三、訓練及可視化

1.數據集導入

同時把GPU設備相關代碼準備好，并且由于需要可視化，因此先實例化visdom，并且在終端上輸入python -m visdom.server，打開visdom監視終端。

2.測試函數

先把模式改為eval()，接下來就是通過model，去訓練測試集，得到標簽，并統計正確率。

3.訓練過程及可視化

和之前的一樣，還是先實例化一個優化器，選擇損失函數模式，實例化ResNet18，然后進行訓練。

在這里由于要展示，因此先對損失值，交叉驗證分數分別設置一個初始的線，通過append的方法，畫出我們的損失曲線，以及交叉驗證分數曲線。

通過torch.save方法存儲我們的最優解。

最后通過把存儲好的最優解調用起來，使用測試集，來測試最終的效果。

最終獲得的交叉驗證準確率89%，測試集準確率88%，損失值及交叉驗證結果的圖像如下：

以上就是人工智能學習pyTorch自建數據集及可視化結果實現過程的詳細內容，更多關于pyTorch自建數據集及可視化結果實現的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121164368