kaggle是一個為開發商和數據科學家提供舉辦機器學習競賽、托管數據庫、編寫和分享代碼的平台，在這上面有非常多的好項目、好資源可供機器學習、深度學習愛好者學習之用。碰巧最近入門了一門非常的深度學習框架：pytorch（如果你對pytorch不甚了解，請點擊這里），所以今天我和大家一起用pytorch實現一個圖像識別領域的入門項目：貓狗圖像識別。
深度學習的基礎就是數據，咱們先從數據談起。此次使用的貓狗分類圖像一共25000張，貓狗分別有12500張，我們先來簡單的瞅瞅都是一些什么圖片。
我們從下載文件里可以看到有兩個文件夾：train和test，分別用於訓練和測試。以train為例，打開文件夾可以看到非常多的小貓圖片，圖片名字從
0.jpg一直編碼到9999.jpg，一共有10000張圖片用於訓練。而test中的小貓只有2500張。仔細看小貓，可以發現它們姿態不一，有的站着，有的眯着眼
睛，有的甚至和其他可識別物體比如桶、人混在一起。同時，小貓們的圖片尺寸也不一致，有的是豎放的長方形，有的是橫放的長方形，但我們最終需
要是合理尺寸的正方形。小狗的圖片也類似，在這里就不重復了。
緊接着我們了解一下特別適用於圖像識別領域的神經網絡：卷積神經網絡。學習過神經網絡的同學可能或多或少地聽說過卷積神經網絡。這是一
種典型的多層神經網絡，擅長處理圖像特別是大圖像的相關機器學習問題。卷積神經網絡通過一系列的方法，成功地將大數據量的圖像識別問題不斷
降維，最終使其能夠被訓練。CNN最早由Yann LeCun提出並應用在手寫體識別上。一個典型的CNN網絡架構如下：
這是一個典型的CNN架構，由卷基層、池化層、全連接層組合而成。其中卷基層與池化層配合，組成多個卷積組，逐層提取特征，最終完成分類。
聽到上述一連串的術語如果你有點蒙了，也別怕，因為這些復雜、抽象的技術都已經在pytorch中一一實現，我們要做的不過是正確的調用相關函數，
我在粘貼代碼后都會做更詳細、易懂的解釋。
import os
import shutil
import torch
import collections
from torchvision import transforms,datasets
from __future__ import print_function, division
import os
import torch
import pylab
import pandas as pd
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
from skimage import io, transform
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms, utils
# Ignore warnings
import warnings
warnings.filterwarnings("ignore")
plt.ion() # interactive mode
一個正常的CNN項目所需要的庫還是蠻多的。
import math
from PIL import Image
class Resize(object):
"""Resize the input PIL Image to the given size.
Args:
size (sequence or int): Desired output size. If size is a sequence like
(h, w), output size will be matched to this. If size is an int,
smaller edge of the image will be matched to this number.
i.e, if height > width, then image will be rescaled to
(size * height / width, size)
interpolation (int, optional): Desired interpolation. Default is
``PIL.Image.BILINEAR``
"""
def __init__(self, size, interpolation=Image.BILINEAR):
# assert isinstance(size, int) or (isinstance(size, collections.Iterable) and len(size) == 2)
self.size = size
self.interpolation = interpolation
def __call__(self, img):
w,h = img.size
min_edge = min(img.size)
rate = min_edge / self.size
new_w = math.ceil(w / rate)
new_h = math.ceil(h / rate)
return img.resize((new_w,new_h))
這個稱為Resize的庫用於給圖像進行縮放操作，本來是不需要親自定義的，因為transforms.Resize已經實現這個功能了，但是由於目前還未知的原因，
我的庫里沒有提供這個函數，所以我需要親自實現用來代替transforms.Resize。如果你的torch里面已經有了這個Resize函數就不用像我這樣了。
data_transform = transforms.Compose([
Resize(84),
transforms.CenterCrop(84),
transforms.ToTensor(),
transforms.Normalize(mean = [0.5,0.5,0.5],std = [0.5,0.5,0.5])
])
train_dataset = datasets.ImageFolder(root = 'train/',transform = data_transform)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size = 4,shuffle = True,num_workers = 4)
test_dataset = datasets.ImageFolder(root = 'test/',transform = data_transform)
test_loader = torch.utils.data.DataLoader(test_dataset,batch_size = 4,shuffle = True,num_workers = 4)
transforms是一個提供針對數據（這里指的是圖像）進行轉化的操作庫，Resize就是上上段代碼提供的那個類，主要用於把一張圖片縮放到某個尺寸，
在這里我們把需求暫定為要把圖像縮放到84 x 84這個級別，這個就是可供調整的參數，大家為部署好項目以后可以試着修改這個參數，比如改成
200 x 200,你就發現你可以去玩一盤游戲了~_~。CenterCrop用於從中心裁剪圖片，目標是一個長寬都為84的正方形，方便后續的計算。ToTenser()
就比較重要了，這個函數的目的就是讀取圖片像素並且轉化為0-1的數字。Normalize作為墊底的一步也很關鍵，主要用於把圖片數據集的數值轉化為
標准差和均值都為0.5的數據集，這樣數據值就從原來的0到1轉變為-1到1。
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
self.conv1 = nn.Conv2d(3,6,5)
self.pool = nn.MaxPool2d(2,2)
self.conv2 = nn.Conv2d(6,16,5)
self.fc1 = nn.Linear(16 * 18 * 18,800)
self.fc2 = nn.Linear(800,120)
self.fc3 = nn.Linear(120,2)
def forward(self,x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1,16 * 18 * 18)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
好了，最復雜的一步就是這里了。在這里，我們首先定義了一個Net類，它封裝了所以訓練的步驟，包括卷積、池化、激活以及全連接操作。
__init__函數首先定義了所需要的所有函數，這些函數都會在forward中調用。我們從conv1說起。conv1實際上就是定義一個卷積層，3,6,5分別是
什么意思？3代表的是輸入圖像的像素數組的層數，一般來說就是你輸入的圖像的通道數，比如這里使用的小貓圖像都是彩色圖像，由R、G、B三個通
道組成，所以數值為3；6代表的是我們希望進行6次卷積，每一次卷積都能生成不同的特征映射數組，用於提取小貓和小狗的6種特征。每一個特征映
射結果最終都會被堆疊在一起形成一個圖像輸出，再作為下一步的輸入；5就是過濾框架的尺寸，表示我們希望用一個5 * 5的矩陣去和圖像中相同尺寸
的矩陣進行點乘再相加，形成一個值。定義好了卷基層，我們接着定義池化層。池化層所做的事說來簡單，其實就是因為大圖片生成的像素矩陣實在太
大了，我們需要用一個合理的方法在降維的同時又不失去物體特征，所以深度學習學者們想出了一個稱為池化的技術，說白了就是從左上角開始，每四
個元素(2 * 2)合並成一個元素，用這一個元素去代表四個元素的值，所以圖像體積一下子降為原來的四分之一。再往下一行，我們又一次碰見了一個卷
基層：conv2,和conv1一樣，它的輸入也是一個多層像素數組，輸出也是一個多層像素數組，不同的是這一次完成的計算量更大了，我們看這里面的參
數分別是6，16，5。之所以為6是因為conv1的輸出層數為6，所以這里輸入的層數就是6；16代表conv2的輸出層數，和conv1一樣，16代表着這一次卷
積操作將會學習小貓小狗的16種映射特征，特征越多理論上能學習的效果就越好，大家可以嘗試一下別的值，看看效果是否真的編變好。conv2使用的
過濾框尺寸和conv1一樣，所以不再重復。最后三行代碼都是用於定義全連接網絡的，接觸過神經網絡的應該就不再陌生了，主要是需要解釋一下fc1。
之前在學習的時候比較不理解的也是這一行，為什么是16 * 18 * 18呢？16很好理解，因為最后一次卷積生成的圖像矩陣的高度就是16層，那18 * 18是
怎么來的呢？我們回過頭去看一行代碼
transforms.CenterCrop(84)
在這行代碼里我們把訓練圖像裁剪成一個84 * 84的正方形尺寸，所以圖像最早輸入就是一個3 * 84 * 84的數組。經過第一次5 * 5的卷積之后，
我們可以得出卷積的結果是一個6 * 80 * 80的矩陣，這里的80就是因為我們使用了一個5 * 5的過濾框，當它從左上角第一個元素開始卷積后，
過濾框的中心是從2到78，並不是從0到79，所以結果就是一個80 * 80的圖像了。經過一個池化層之后，圖像尺寸的寬和高都分別縮小到原來的
1/2，所以變成40 * 40。緊接着又進行了一次卷積，和上一次一樣，長寬都減掉4，變成36 * 36，然后應用了最后一層的池化，最終尺寸就是
18 * 18。所以第一層全連接層的輸入數據的尺寸是16 * 18 * 18。三個全連接層所做的事很類似，就是不斷訓練，最后輸出一個二分類數值。
net類的forward函數表示前向計算的整個過程。forward接受一個input，返回一個網絡輸出值，中間的過程就是一個調用init函數中定義的層的過程。
F.relu是一個激活函數，把所有的非零值轉化成零值。此次圖像識別的最后關鍵一步就是真正的循環訓練操作。
import torch.optim as optim
cirterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(),lr = 0.0001,momentum = 0.9)
for epoch in range(3):
running_loss = 0.0
for i,data in enumerate(train_loader,0):
inputs,labels = data
inputs,labels = Variable(inputs),Variable(labels)
optimizer.zero_grad()
outputs = net(inputs)
loss = cirterion(outputs,labels)
loss.backward()
optimizer.step()
running_loss += loss.data[0]
if i % 2000 == 1999:
print('[%d %5d] loss: %.3f' % (epoch + 1,i + 1,running_loss / 2000))
running_loss = 0.0
print('finished training!')
[1 2000] loss: 0.691 [1 4000] loss: 0.687 [2 2000] loss: 0.671 [2 4000] loss: 0.657 [3 2000] loss: 0.628 [3 4000] loss: 0.626 finished training!
在這里我們進行了三次訓練，每次訓練都是批量獲取train_loader中的訓練數據、梯度清零、計算輸出值、計算誤差、反向傳播並修正模型。我們以每
2000次計算的平均誤差作為觀察值。可以看到每次訓練，誤差值都在不斷變小，逐漸學習如何分類圖像。代碼相對性易懂，這里就不再贅述了。
correct = 0
total = 0
for data in test_loader:
images,labels = data
outputs = net(Variable(images))
_,predicted = torch.max(outputs.data,1)
total += labels.size(0)
correct += (predicted == labels).sum()
print('Accuracy of the network on the 5000 test images: %d %%' % (100 * correct / total))
終於來到模型准確度驗證了，這也是開篇提到的test文件夾的用途之所在。程序到這一步時，net是一個已經訓練好的神經網絡了。傳入一個
images矩陣，它會輸出相應的分類值，我們拿到這個分類值與真實值做一個比較計算，就可以獲得准確率。在我的計算機上當前准確率是66%，
在你的機器上可能值有所不同但不會相差太大。
最后我們做一個小總結。在pytorch中實現CNN其實並不復雜，理論性的底層都已經完成封裝，我們只需要調用正確的函數即可。當前模型中的
各個參數都沒有達到相對完美的狀態，有興趣的小伙伴可以多調整參數跑幾次，訓練結果不出意外會越來越好。另外，由於在一篇文章中既要
闡述CNN，又要貼項目代碼會顯得沒有重點，我就沒有兩件事同時做，因為網上已經有很多很好的解釋CNN的文章了，如果看了代碼依然是滿頭
霧水的小伙伴可以先去搜關於CNN的文章，再回過頭來看項目代碼應該會更加清晰。第一次寫關於自己的神經網絡方面的文章，如有寫得不好的
附另外一個:
https://blog.csdn.net/weixin_41278720/article/details/80546535