### PyTorch 实现花卉识别的教程与代码示例 以下是关于如何使用 PyTorch 构建一个简单的花卉分类模型的详细介绍： #### 数据准备 为了训练一个能够区分不同种类花卉的神经网络，通常需要大量的标注数据。这些数据可以从公开的数据集中获取，例如 Oxford Flowers 102 数据集[^3]。该数据集包含了来自 102 种不同类别的数千张花卉图像。 ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader # 定义数据预处理操作 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) # 加载本地或远程数据集 train_dataset = datasets.ImageFolder(root='path_to_train_data', transform=transform) test_dataset = datasets.ImageFolder(root='path_to_test_data', transform=transform) # 创建数据加载器 train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False) ``` #### 模型定义 构建卷积神经网络（CNN），这是计算机视觉领域中最常用的架构之一。这里以 ResNet-18 为例说明其应用方式。 ```python import torch.nn as nn import torchvision.models as models model = models.resnet18(pretrained=True) # 使用预训练权重初始化模型 num_ftrs = model.fc.in_features # 获取全连接层输入特征数量 model.fc = nn.Linear(num_ftrs, 102) # 修改最后一层适应新的类别数目(假设共有102种花) if torch.cuda.is_available(): model = model.cuda() ``` #### 训练过程 设置损失函数、优化算法并执行迭代更新参数的过程如下所示: ```python criterion = nn.CrossEntropyLoss() # 设置交叉熵作为目标函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) def train_model(dataloader, model, criterion, optimizer, num_epochs=10): for epoch in range(num_epochs): running_loss = 0.0 corrects = 0 for inputs, labels in dataloader: if torch.cuda.is_available(): inputs, labels = inputs.cuda(), labels.cuda() outputs = model(inputs) # 前向传播计算预测值 loss = criterion(outputs, labels) # 计算当前批次误差 optimizer.zero_grad() # 清除梯度缓存区 loss.backward() # 反向传播求导数 optimizer.step() # 更新权值参数 _, preds = torch.max(outputs, dim=1) # 找到最大概率对应的索引位置即为预测标签 running_loss += loss.item()*inputs.size(0) corrects += torch.sum(preds == labels).item() epoch_loss = running_loss / len(dataloader.dataset) epoch_acc = corrects / len(dataloader.dataset) print(f'Epoch {epoch}/{num_epochs - 1}, Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}') train_model(train_loader, model, criterion, optimizer, num_epochs=5) ``` 以上展示了完整的流程框架，实际项目可能还需要进一步调整超参以及增加验证机制等内容[^4]。 ---