从零开始：使用PyTorch构建图像分类模型

引言

图像分类是计算机视觉的基础任务之一，而PyTorch是目前最流行的深度学习框架之一。本教程将手把手教你如何用PyTorch实现一个图像分类模型，从数据准备到模型训练，再到评估，每一步都有详细解释。

环境准备

首先，确保你的环境中安装了PyTorch和torchvision。可以使用pip安装：

pip install torch torchvision

另外，我们还需要matplotlib用于可视化，以及numpy。

数据加载

我们使用经典的CIFAR-10数据集，它包含10个类别的60000张32x32彩色图像。torchvision提供了方便的数据集加载接口。

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

定义模型

我们构建一个简单的卷积神经网络（CNN）。它包含两个卷积层、两个池化层和三个全连接层。

import torch.nn as nn
import torch.nn.functional as F

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 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    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 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

训练模型

我们使用交叉熵损失函数和随机梯度下降（SGD）优化器。训练多个epoch，并打印损失。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(2):  # 多次循环数据集
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个批次打印一次
            print(f'[Epoch {epoch + 1}, Batch {i + 1}] loss: {running_loss / 2000:.3f}')
            running_loss = 0.0

print('Finished Training')

评估模型

在测试集上计算准确率。

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f'Accuracy of the network on the 10000 test images: {100 * correct / total:.2f}%')

可视化预测

我们可以查看一些测试图像及其预测结果。

import matplotlib.pyplot as plt
import numpy as np

def imshow(img):
    img = img / 2 + 0.5     # 反归一化
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

dataiter = iter(testloader)
images, labels = dataiter.next()
outputs = net(images)
_, predicted = torch.max(outputs, 1)

imshow(torchvision.utils.make_grid(images))
print('真实标签: ', ' '.join(f'{classes[labels[j]]}' for j in range(4)))
print('预测标签: ', ' '.join(f'{classes[predicted[j]]}' for j in range(4)))

总结

恭喜你完成了第一个图像分类模型！这个简单的CNN在CIFAR-10上可能只有约50%的准确率，但你已经掌握了基本流程。接下来，你可以尝试更复杂的模型（如ResNet）、数据增强、调整超参数等，进一步提高准确率。

进一步学习

• 迁移学习：使用预训练模型微调
• 卷积可视化：理解CNN学到的特征
• 其他任务：目标检测、图像分割等

希望本教程对你有所帮助，祝你深度学习之旅愉快！