0 | pytorch环境安装及一个Resnet图像分类模型测试

先说说我的环境
硬件方面：一台联想笔记本，搭载了NVIDIA P2000 显卡，查了一下属于GTX1060乞丐版
系统方面：Windows 10，预装好了Anaconda，Python版本3.7.4
要开始学习PyTorch，第一步肯定先把PyTorch装上。
上PyTorch官网看一下。

一上来就是明晃晃的Install大字，直接点进去

官网给推荐了配置

照着官网说的命令在cmd里面执行，当然前提是先激活你要用的conda环境，conda环境配置这里就不说了。

安装过程很慢，PyTorch包挺大的，有1G多，所以需要配置一个下载比较快的镜像源，或者像这种Windows系统的话，其实可以直接在Anaconda的界面上进行安装，这里就不细讲了。

安装好了环境，我们就开始跑测试的例子了。
启动我们的Jupyter
这里先看一下PyTorch的视觉库里都有什么模型

这里面已经预设的模型还是挺全面的，我们这次测试需要跑的是ResNet模型，众所周知的图像分类模型,这里实例化的是resnet101，使用的是有101层的resnet模型，后面加了pretrained=True我理解是确认下载预训练模型？

resnet = models.resnet101(pretrained=True)

执行完之后就开始下载预训练模型了

image.png

下载完了，一共170m+，这个模型有4450w个参数。我们看一下，每一行就是一个模块的细节

接下来我们定义预处理方法，并加载图片。预处理环节我大概能看出做了图像大小的重置，中心裁剪，并进行了值的标准化？

from torchvision import transforms
preprocess = transforms.Compose([transforms.Resize(256),
                                transforms.CenterCrop(224),
                                transforms.ToTensor(),
                                transforms.Normalize(
                                mean=[0.485, 0.456, 0.406],
                                std=[0.229, 0.224, 0.225])])
from PIL import Image
img = Image.open("../data/p1ch2/bobby.jpg")

用的是这张狗狗图

接着就是导入激动人心的torch包，然后把图像向量化，并塞到batch里面，这里用了一个方法unsqueeze，查了一下，大概可以理解成为升维的方法，也就是给图像做了一个编号？

import torch 
img_t = preprocess(img)
batch_t = torch.unsqueeze(img_t, 0)

之后我们就要把图像特征放进模型里去运行了，在这里称为inference（推理），不过这里面还有一步要做，就是把网络设置为eval模式。具体为什么这么做书上也没说清楚，只是说会导致模型后面的优化部分失效，具体原因我们后面再探究，这里只是为了跑通这个测试，就先不追究了。
eval模式就需要下面这个代码。

resnet.eval()

然后定义输出，也就是模型开始运行了

out = resnet(batch_t)

模型运行完并不会有什么结果显示，需要我们手动的执行一下输出

但是这个输出我们还是不能很直观的看明白，这里是输出了一个长度为1000的向量，每一个值表示一个类别的置信度，1000个这么多我们很难肉眼找到最高的那个，这里需要把类别的信息加载进来方便我们阅读

with open('../data/p1ch2/imagenet_classes.txt') as f:
    labels = [line.strip() for line in f.readlines()]
_, index = torch.max(out, 1)

给输出的结果加上了类别信息之后，我们就可以输出类别和对应的置信度了

percentage = torch.nn.functional.softmax(out, dim=1)[0] * 100
labels[index[0]], percentage[index[0]].item()

这一句输出结果就比较靠谱了，可以看到最高的是金毛犬

到这里还不够，我们只看到了第一高的结果，还想看看第二高的结果是不是跟第一高差不多，所以这里再对结果排一下序，然后输出top5的结果

_, indices = torch.sort(out, descending=True)
[(labels[idx], percentage[idx].item()) for idx in indices[0][:5]]

输出的结果如下，可以看出来第二个是拉布拉多，这个也是狗，第三个和第四个经过查谷歌翻译了解了也是一种狗，中文名叫啥我就不知道了，第五个是网球就有点意思了，估计是训练集里面狗狗和网球同时出现的情况比较多吧，不过可以看出来从第二个开始置信度有了大幅度的下降，所以金毛胜出。

好了，这一课就到这里，下次再见。