這篇文章會講解如何制作能夠分類120種小狗的圖像分類器。

這篇文章中所講述的內(nèi)容都是基于colab notebook和fastai技術(shù)的深度學(xué)習(xí)的應(yīng)用。

為什么使用colab？

使用colab的好處是，你不需要有任何顯卡GPU，colab中提供了一塊免費(fèi)的k80帶12G顯存的GPU

colab是google提供的一個免費(fèi)的Jupyter notebook的環(huán)境，可以省去安裝它的功夫

為什么使用fastai？

fastai是一種超級簡潔的深度學(xué)習(xí)工具，代碼上甚至比當(dāng)前Keras還要簡潔。

底層是pytorch，能夠提供高速的處理性能。

和之前文章中的兩個物種（貓和狗）的分類略有不同，這次使用的數(shù)據(jù)集全部是狗，需要把這些狗分到不同的類別中。也就是說，圖片之間特征的區(qū)別的差異要比之前貓和狗分類的來的更加細(xì)微。

好吧，接下來我們看看如何動手制作。

1.在colab的作業(yè)本中配置fastai的環(huán)境

!curlhttps://course.fast.ai/setup/colab|bash

2.導(dǎo)入fastai包

fromfastaiimport*fromfastai.visionimport*

3.加載kaggle.json

這里我們準(zhǔn)備從kaggle下載所需要的狗的數(shù)據(jù)集，如果你可以從其他地方得到數(shù)據(jù)集，那么可以省略步驟3和4，按照自己的方法在環(huán)境中導(dǎo)入數(shù)據(jù)集即可。

!mkdir/content/.kaggle/!mkdir/content/data/dogsbreed/PATH="/content/data/dogsbreed/"fromgoogle.colabimportfiles#loadfromuploaddialoguploaded=files.upload()forfninuploaded.keys():withopen(f'/content/.kaggle/{fn}','wb')asf:f.write(uploaded[fn])

4.安裝kaggle環(huán)境

!chmod600/content/.kaggle/kaggle.json!pipinstallkaggle!cp/content/.kaggle/kaggle.json~/.kaggle/kaggle.json!kaggleconfigset-npath-v{/content}importkaggle!kagglecompetitionsdownload-p/content/data/dogsbreed/dog-breed-identification

從結(jié)果中可以看到，我們已經(jīng)從kaggle成功的下載了數(shù)據(jù)集文件。

5.驗證GPU

torch.cuda.is_available()#Truetorch.backends.cudnn.enabled#True

6.解壓縮文件

!cd/content/data/dogsbreed&&unziplabels.csv.zip!cd/content/data/dogsbreed&&unzipsample_submission.csv.zip!cd/content/data/dogsbreed&&unziptest.zip!cd/content/data/dogsbreed&&unziptrain.zip

7.讀取label.csv

labels_df=pd.read_csv(f'{PATH}labels.csv')labels_df.head()

這里我們可以看到labels.csv中的前五條數(shù)據(jù)

8.查看狗的類別

labels_df.pivot_table(index='breed',aggfunc=len).sort_values('id',ascending=False)

這里可以看到一共有120行數(shù)據(jù)，也就是120種狗的類別，以及每種類別里面有多少條數(shù)據(jù)。

9.加載數(shù)據(jù)集并顯示

data=ImageDataBunch.from_csv(PATH,folder='train',valid_pct=0.2,ds_tfms=get_transforms(),size=224,test='test',suffix='.jpg',bs=64).normalize(imagenet_stats)data.show_batch(rows=3,figsize=(10,12))

如果一切順利，這里會顯示出9張狗的圖片，并且圖片上方會顯示相應(yīng)的狗的類別。

如果只顯示了圖片，而圖片上的標(biāo)簽不是類別的話，那說明數(shù)據(jù)導(dǎo)入部分存在問題。

OK，我們繼續(xù)下一步。

10.下載與訓(xùn)練模型并微調(diào)

learner=create_cnn(data,models.resnet101,metrics=[accuracy])learner.fit_one_cycle(10)

這里我們設(shè)置了10個epoch，會稍微花費(fèi)點時間大約40分鐘。

可以看到，在最后一個epoch時候，我們的精度在89%。當(dāng)然我們還可以繼續(xù)調(diào)優(yōu)：）

或者直接從零開始對每一層權(quán)重的訓(xùn)練，這都是可以的。

到這里我們就已經(jīng)成功的完成了一個120種狗狗的圖片分類器的制作啦，怎么樣？是不是很簡單？希望這篇文章可以給每一個前來閱讀的朋友帶來收獲，對深度學(xué)習(xí)，圖像分類有一個直接的體會。