第一步：导入头文件

import torch

import torchvision

import torchvision.transforms as transforms

import torch.nn as nn

import torch.nn.functional as F

from torch.autograd import Variable

import torch.optim as optim

第二步：数据预处理

def loadtraindata():

# 路径

path = "data\\train"

trainset = torchvision.datasets.ImageFolder(path, transform=transforms.Compose([

# 将图片缩放到指定大小（h,w）或者保持长宽比并缩放最短的边到int大小

transforms.Resize((32, 32)),

transforms.ToTensor()])

)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

return trainloader

第三步：构建模型网络

开源网络结构

第四步：预测（提供正确率，混淆矩阵结果）

def test():

net = reload_net()

net.eval()

testloader = loadtestdata()

sum = 0

num = 0

labels_list = []

predicted_list = []

for images, labels in testloader:

sum += 1

outputs = net(Variable(images))

_, predicted = torch.max(outputs.data, 1)

if labels == predicted:

num += 1

labels_list.append(labels.numpy()[0])

predicted_list.append(predicted.numpy()[0])

print('正确率: ' + str(num*1.0 / sum))

cm = confusion_matrix(labels_list, predicted_list)

print(cm) #打印混淆矩阵的值

plot_confusion_matrix(cm, classes, "Confusion Matrix")

plt.show()

结果：

1）代码结构

2）预测的一些结果

3）带界面运行结果

推荐链接

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：