犬類包含貓嗎

1、資料集介紹  The Oxford-IIIT Pet Dataset是一個寵物影象資料集，包含37種寵物，其中有犬類25類，貓類12類，每種寵物200張左右寵物圖片，並同時包含寵物輪廓標註資訊。  地址：http：//www。robots。ox。ac。uk/~vgg/data/pets/2、FastAI使用神經網路訓練的步驟： 1。建立神經網路模型，預先訓練好的比較好，表達能力更強 2。查詢合適的學習率進行學習 3。進行學習（該步驟其實為遷移學習：使用pretrained模型加上自己的分類，然後進行學習） 4。保留當前狀態 5。unfreeze：解凍模型所有權重，準備 6。查詢合適的學習率。 7。再次進行學習，（進行fine tune：微調，在原有模型上加上自己的最後fully connection layer，然後進行所有權重訓練。）3、完整程式碼# import * 對於程式設計人員來說會有點難以接受，主要目的是方便實驗from fastai import *from fastai。vision import *# 不怕不會，怕不知道怎麼學，在進行一切之前，首先要學會如下：#doc（get_transforms（）） # 獲得該方法的文件，學會使用該方法# 使用上面的方法結合訪問官方文件介紹網站來進行學習，官方文件url文中最開始有提供。#FastAi程式碼要在if __name__ == ‘__main__’：下面執行if __name__ == ‘__main__’： # 1。示例中的資料為PETS，是一個用來進行貓狗品種分類的資料集。 path = untar_data（URLs。PETS） # 該方法首先下載資料集到目錄中，再進行解壓，返回解壓路徑 print（path） # 列印path，其為下載的目錄 print（path。ls（）） # 看看解壓路徑中的檔案 paths_img = path / ‘images’ # 該路徑為影象檔案路徑，也就是真正的建模資料集 images = get_image_files（paths_img） # 該方法為獲取路徑中的所有檔案 print（images［：5］） # 2。載入路徑中的資料集 pat = r‘/（［^/］+）_\d+。jpg$’ # 用於匹配圖片名字的表示式 tfms = get_transforms（） # 這個用來進行資料增強 data = ImageDataBunch。from_name_re（paths_img， images， pat=pat， ds_tfms=tfms， size=224，bs=16） # 該方法使用資料載入物件ImageDataBunch的from_name_re（使用正則匹配檔名稱的方法），進行資料讀取。 data。show_batch（rows=3， figsize=（6， 8）） # 看看資料的樣子 print（data。c） # 列印資料集中的分類數量 data。normalize（imagenet_stats） # normalize影象，消除因為啟用函式而可能發生的梯度爆炸和梯度消失情況，加快梯度下降，很有用，詳細內容請看文章開始提供的pytorch教學連結裡面關於BN（batch_normal）的影片 learn = create_cnn（data， models。densenet161， metrics=accuracy） # 該方法建立了一個resnet34網路結構的CNN網路，在訓練中列印metrics對應的方法來展示精度，注意：metrics不影響訓練精度。 learn。lr_find（） # 查詢合適的學習率 # 學習率應該選擇loss向下降程度最大點所對應的學習率 lr = 1e-3 learn。fit_one_cycle（4， slice（lr）） # 進行訓練，4為epoch數，slice（lr）是學習率範圍 modelPath= learn。save（‘stage_1。h5’， return_path=True） # 儲存第一階段遷移學習的引數，return_path=True是列印儲存目錄 print（modelPath） learn。unfreeze（） # 該方法為解凍所有權重 learn。lr_find（） #learn。recorder。plot（） learn。fit_one_cycle（15， slice（lr）） # 開始fine tune，該lr為上面一步影象中下降最快的點對應的lr learn。save（‘stage_2。h5’） # 儲存第二階段fine tune的引數 # 4。檢視分類錯的資料都是哪些 interp = ClassificationInterpretation。from_learner（learn） losses， idxs = interp。top_losses（） # 查詢分類錯誤的影象的索引 interp。plot_top_losses（9， figsize=（15， 11）） # 打印出分類錯誤的影象 # 5。分類一個試試 img = open_image（images［0］） img。show（） label， idx， probability = learn。predict（img） print（‘預測的分類為{}， 機率為{：。4f}’。format（label， probability［idx］））參考文章：