Pytorch卷积快速分类框架

• 方便新手分类的一个简单框架
• • Pytorch快速分类微型框架
  • • 介绍
    • • 框架介绍
      • 环境
      • 需要安装的第三方包
    • 使用说明
    • (可选)在自己的环境上安装此包
  • 例子1：用于LeNet5图像分类
  • 例子2：珠宝分类

链接：Gitee码云

基于Pytorch开发的中文快速分类框架，易于修改。

框架用途： 图像分类、模型训练

本项目基于 PytorchModelTools 项目二次抽象重构。

• 之前的代码太过于糟糕(可移植性差)，虽然能用，但是可移植性差，代码耦合高。

理论上什么环境都能使用，因为我的代码并没有用到什么太复杂的操作。

Pytorch 1.8.1
cuda 11.1
Python 3.6

pip install xlwt tqdm matplotlib numpy pandas

框架功能已经和原框架一致，可通过demo/lenet5_cifar10.py和demo/resnet_gemstones.py快速了解。

python setup.py install

例子来源于demo/lenet5_cifar10.py，可下载后直接跑通

import torch.nn as nn
from torchvision.datasets import CIFAR10
import torch.optim as optim
from fcf import *
import torchvision.transforms as transforms
from torch.nn import functional as F
from torch.utils.data import DataLoader

frame = baseframe().init_logging().set_seed()
# 环境构建
model = LeNet5()
optimizer = optim.SGD(params=model.parameters(),lr=0.001,momentum=0.9)
scheduler = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.99)
loss_fc = nn.CrossEntropyLoss()
# 构建模型进行训练
frame.build(model, is_cuda=False, device='cuda:0')  # 如果is_cuda是True，那么device设置的才有意义。
frame.config(
    epochs=1000,  # 循环的epoch
    optimizer=optimizer,  # 优化器
    scheduler=scheduler,  # 学习率衰减
    loss_fc=loss_fc,  # 损失函数
    train_dataloader=trainloader,  # 数据集加载
    test_dataloader=testloader,
    is_softmax=False,  # softmax层，默认不需要, 在框架中是特殊用途，自己需要softmax自己加，记得加了softmax不能用交叉熵损失。
    is_half=False,  # 开启半精度训练
    is_two_category=False,  # 是否是二分类，如果是，则会有二分类指标。例如：Recall、特异性、ROC等。
)
frame.train(is_checkpoint=False)  # 是否要保持模型

例子来源于：demo/resnet_gemstones.py

import logging

import torch.nn as nn
from torchvision.models import resnet34
import torch
import warnings
import torch.optim as optim

warnings.filterwarnings("ignore")
from dataset.gemstones_dataset import train_dataloader, test_dataloader
from fcf import *

# 环境准备


if __name__ == '__main__':
    # 模型构建
    frame = baseframe().init_logging().set_seed()
    # 环境构建
    model = resnet34(pretrained=True)
    model.fc = nn.Sequential(
        nn.Dropout(),
        nn.Linear(512, 87, bias=False),
    )
    optimizer = optim.RMSprop(model.parameters(), lr=1e-4)
    scheduler = optim.lr_scheduler.ExponentialLR(optimizer, gamma=0.9)
    loss_fc = nn.CrossEntropyLoss()
    # 构建模型进行训练
    frame.build(model, is_cuda=False, device='cuda:0')  # 如果is_cuda是True，那么device设置的才有意义。
    frame.config(
        epochs=1000,  # 循环的epoch
        optimizer=optimizer,  # 优化器
        scheduler=scheduler,  # 学习率衰减
        loss_fc=loss_fc,  # 损失函数
        train_dataloader=train_dataloader,  # 数据集加载
        test_dataloader=test_dataloader,
        is_softmax=False,  # softmax层，默认不需要, 在框架中是特殊用途，自己需要softmax自己加，记得加了softmax不能用交叉熵损失。
        is_half=False,  # 开启半精度训练
        is_two_category=False,  # 是否是二分类，如果是，则会有二分类指标。例如：Recall、特异性、ROC等。
    )
    frame.train(is_checkpoint=False)  # 是否要保持模型