人工智能导论---神经网络

神经网络介绍

 

其实就我而言，神经网络就是一个算法，可以看看以下的图片,以及我写的对应的代码

 

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64 * 4 * 4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x

把图像放进神经网络后，即可得到处理后的图片，然后在通过以下优化器，来优化神经网络模型

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

之后再拿原图与神经网络处理后的图片相比较，这行代码就是原图与神经网络处理的图片相同图片的总和数，然后再与总图片数相除，就得到成功识别的概率

            accuracy = (outputs.argmax(1) == targets).sum(0)

可惜我写的神经网络太简单，太垃圾了，无论我怎么优化，训练了好几百次，成功率一直在66%左右，以下就是我写的源码

#准备数据集
import torchvision
from torch.utils.tensorboard import SummaryWriter
import torch
#准备数据集
from torch import nn
from torch.utils.data import DataLoader
import time

train_data = torchvision.datasets.CIFAR10("./dataset",train=True, transform=torchvision.transforms.ToTensor()
                                       , download=True)
test_data = torchvision.datasets.CIFAR10("./dataset",train=False, transform=torchvision.transforms.ToTensor()
                                       , download=True)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为： 10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64 * 4 * 4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
tudui = Tudui()
if torch.cuda.is_available():
    tudui = tudui.cuda()
# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# 优化器
# learning_rate = 0.01
# 1 * （10）^(-2)
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的此时
total_test_step = 0
# 训练轮数
epoch = 1000

# 添加tensorboard
writer = SummaryWriter("./logs_train")
start_time = time.time()
for i in range(epoch):
    print("-------------第{}轮训练开始--------------".format(i+1))

    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = tudui(imgs)
        loss = loss_fn(outputs,targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            print("训练次数：{}，Loss:{}".format(total_train_step,loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)
    # 测试步骤开始
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum(0)
            total_accuracy = total_accuracy + accuracy
    print("整体测试集上的loss:{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_data", total_test_loss,total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size,total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui,"./model/weights{}.pth".format(i))
    print("模型已保存")

writer.close()

然后下面是调用模型的代码

import torch
import torchvision
from PIL import Image
from torch import nn
from model import *
image_path = "./imgs/dog.jpg"
image = Image.open(image_path)
# print(image)

transfrom = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
                                            torchvision.transforms.ToTensor()])
image = transfrom(image)
image = image.cuda()
# print(image.shape)
model = torch.load("./model/weights999.pth")
# print(model)

image = torch.reshape(image, (1,3,32,32))
model.eval()
with torch.no_grad():
    output = model(image)
print(output)

pred, idx = output.max(1)
print(pred.item())

# print(output.argmax(1).item())
if output.argmax(1).item() == 0:
    print("airplane")
elif output.argmax(1).item() == 1:
    print("automoblie")
elif output.argmax(1).item() == 2:
    print("bird")
elif output.argmax(1).item() == 3:
    print("cat")
elif output.argmax(1).item() == 4:
    print("deer")
elif output.argmax(1).item() == 5:
    print("dog")
elif output.argmax(1).item() == 6:
    print("frog")
elif output.argmax(1).item() == 7:
    print("horse")
elif output.argmax(1).item() == 8:
    print("ship")
elif output.argmax(1).item() == 9:
    print("truck")

# airplane,automoblie,bird,cat,deer,dog,frog,horse,ship,truck

效果太垃圾了我就不演示了，我给大家介绍一下yolov5目标检测吧，这个用的神经网络算法跟我的比不是一个量级的，但是他确实很厉害

yolov5目标检测

 我现在只会用目标检测，我把篮球的图片放到神经网络里面训练出模型，然后调用该模型，就不仅可以识别出这个篮球类型，还有这个物体在摄像头里面的坐标，然后通过opencv画框，画线即可。

神经网络--目标检测运用

这里我推荐使用的开发板是jetson nano，1k多左右就有，就有nvidia显卡，跑神经网络，深度学习，这个价位已经很不错了，

 举个例子，上面的图片，可以得到物体的中心点，然后图片的中心点也是已知的，就可以知道物体中心点相对与图片中心点之间的（x,y）的差值，然后就可以把x，y的数据通过串口发送到主控板上面，就可以实现云台移动，智能车比赛的通过识别白线，黑线，然后修正方向。

同时还可以通过看框的大小，实现物体追踪，测距等功能。

这是我第一次发布博客，可能会有问题，还望指正