数据增强
主要是这部分代码，transform的一些列api，
def load_data(batch_size):
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.RandomHorizontalFlip(),
transforms.RandomVerticalFlip(),
transforms.RandomRotation(15),
# transforms.RandomRotation((-90, 90)),
transforms.Resize([32, 32]),
transforms.RandomCrop([28, 28]),
transforms.ToTensor(),
# transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=batch_size, shuffle=True)
数据的增强常用的比如变换，把需要的操作用Compose链接在一起
torchvision.transforms.Compose(transforms)
比如上图的例子，将组成的变换列表放到了一起
transform=transforms.Compose([
transforms.RandomHorizontalFlip(),
transforms.RandomVerticalFlip(),
transforms.RandomRotation(15),
# transforms.RandomRotation((-90, 90)),
transforms.Resize([32, 32]),
transforms.RandomCrop([28, 28]),
transforms.ToTensor(),
常用的几种变换
·
Crop裁剪分为:
中心裁剪：
transforms.CenterCrop
随机裁剪：
transforms.RandomCrop
随机长宽比裁剪：
transforms.RandomResizedCrop
上下左右中心裁剪：
transforms.FiveCrop
上下左右中心裁剪后翻转：
transforms.TenCrop
·
Flip Rotation翻转和旋转：
依概率ｐ水平翻转
transforms.RandomHorizontalFlip(p=0.5)
依概率ｐ垂直翻转
transforms.RandomVerticalFlip(p=0.5)
随机旋转
transforms.RandomRotation
·
Resize图像变换
标准化
transforms.Normalize
转为tensor，并归一化至[0-1]
transforms.ToTensor
填充
transforms.Pad
修改亮度、对比度和饱和度:
transforms.ColorJitter
转灰度图:transforms.Grayscale
线性变换:
transforms.Grayscale
仿射变换:
transforms.RandomAffine
依概率p转为灰度图:
transforms.RandomGrayscale
将数据转换为PILImage:
transforms.ToPILImage transforms.Lambda
·
对transform操作，使数据增强更灵活
从给定的一系列transforms中选一个进行操作
transforms.RandomChoice(transforms)
给一个transform加上概率，依概率进行操作
transforms.RandomApply(transforms, p=0.5)
将transforms中的操作随机打乱
transforms.RandomOrder
随机种子
在深度学习时，有大量参数是随机初始化的，我们就会设置这些参数，数据在使用时，也经常需要随机抽取，那么对于同一组实验而言，每次都是不同的数据就没有可比性和实验的必要了，那么我们固定每次随机的数据，那么每次试验就对同一组随机数据不停的实验，那就可以对比了。
例子:
def seed_all(random_seed):
torch.manual_seed(random_seed)
np.random.seed(random_seed)
random.seed(random_seed)
1.为cpu中设置种子，生成随机数
为CPU中设置种子，生成随机数
2.为GPU
torch.cuda.manual_seed(seed)
3.为所有GPU设置种子，生成随机数
torch.cuda.manual_seed_all(seed)
4.在Numpy内部也有随机种子，当你使用numpy中的随机数的时候，可以通过如下方式固定：
np.random.seed(seed)（另外还有python的内置模块random.seed(seed)）
cifar图像识别
该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。
import torch
from torch import nn#神经网络
from torch.nn import functional as F #函数
class ResBlk(nn.Module):#自定义层
def __init__(self, ch_in, ch_out, stride=1)
super.(ResBlk,self).__init__()
self.conv1 = nn.Conv2d(cd_in, ch_out, kernel_size=3, stride=stride, padding=1)
self.bn1 = nn.BatchNorm2d(ch_out)#批量数据转化
self.conv2 = nn.Conv2d(ch_out, cha_out, kerne_size=3, stride=1,padding=1)
self.bn2 = nn.BatchNorm2d(ch_out)
self.extra = nn.Sequential()#序列
if ch_out != ch_in:
#[b, ch_in, h, w] =>[b, ch_out,h ,w]
self.extra = nn.Sequential(
nn.Conv2d(ch_in, ch_out, kernel_size=1, stride=stride),
nn.BatchNorm2d(ch_out)
)
def forward(self. x):# 权重计算
out = F.relu(self.bn1(self.conv1(x)))
out = self.bn2(self.conv2(out))
out = self.extra(x)+out
out = F.relu(out)
return out
class ResNet18(nn.Module):#继承神经网络
def __init__(self):
super(ResNet18, self).__init__()
#设置卷积
self.conv1=nn.Sequential(
nn.Conv2d(3, 64, kernel_size=3, stride=3, padding=0),
nn.BatchNorm2d(64)
)
self.blk1=ResBlk(64, 128, stride=2)
self.blk1=ResBlk(128, 256, stride=2)
self.blk1=ResBlk(256, 512, stride=2)
self.blk1=ResBlk(512, 512, stride=2)
self.outlayer = nn.Linear(512 * 1 * 1, 10)#处理10个分类
def forward(self, x):
x = F.relu(self.con1(x))
x=self.blk1(x)
x=self.blk2(x)
x=self.blk3(x)
x=self.blk4(x)
x=F.adaptive_avg_pool2d(x, [1,1])
x=x.view(x.size(0), -1)
x= self.outlayer(x)
return x
def main():
blk= ResBlk(64, 128, stride=4)
tmp = torch.randn(2, 64, 32, 32)
out = blk(tmp)
print('block:', out.shape)
x=torch.randn(2,3,32,32)
model = ResNet18()
out = model(x)
print('resnet:',out.shape)
if __name__ =='main':
main()