### 使用 PyTorch 和 timm 库实现 EfficientNet 的完整代码 以下是基于 PyTorch 和 GPU 环境下使用 EfficientNet 预训练模型的完整代码示例，其中包括数据预处理、模型定义、训练流程以及绘制准确度曲线的部分。 #### 数据预处理 为了加速模型收敛并提升性能，在深度学习中通常会对图像数据进行标准化操作。这一步骤涉及计算数据集的均值和标准差，并将其应用于输入张量[^1]。 ```python import torch from torchvision import transforms, datasets from torch.utils.data import DataLoader import matplotlib.pyplot as plt import numpy as np import timm import copy # 设置设备为GPU或CPU device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 图像变换：包括随机水平翻转、裁剪、转换为Tensor及标准化 data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) } # 加载数据集 data_dir = './flowers' # 替换为实际的数据目录 image_datasets = {x: datasets.ImageFolder(root=f"{data_dir}/{x}", transform=data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: DataLoader(image_datasets[x], batch_size=32, shuffle=True, num_workers=4) for x in ['train', 'val']} dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']} class_names = image_datasets['train'].classes ``` --- #### 模型定义与微调 通过 `timm` 库加载 EfficientNet 预训练模型，并修改其最后一层以适配自定义分类任务。 ```python def initialize_model(num_classes): model = timm.create_model('efficientnet_b0', pretrained=True) # 使用EfficientNet-B0作为基础模型 num_ftrs = model.classifier.in_features # 获取最后全连接层的输入特征数 model.classifier = torch.nn.Linear(num_ftrs, num_classes) # 修改输出层以匹配目标类别的数量 return model.to(device) num_classes = len(class_names) model = initialize_model(num_classes) ``` --- #### 训练函数 此部分实现了完整的训练逻辑，记录每轮迭代后的验证准确性以便后续绘图。 ```python criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1) def train_model(model, criterion, optimizer, scheduler, num_epochs=25): best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0.0 accuracy_history = [] for epoch in range(num_epochs): print(f'Epoch {epoch}/{num_epochs - 1}') print('-' * 10) for phase in ['train', 'val']: if phase == 'train': model.train() else: model.eval() running_loss = 0.0 running_corrects = 0 for inputs, labels in dataloaders[phase]: inputs, labels = inputs.to(device), labels.to(device) with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) if phase == 'train': optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) if phase == 'train': scheduler.step() epoch_loss = running_loss / dataset_sizes[phase] epoch_acc = running_corrects.double() / dataset_sizes[phase] print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}') if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc best_model_wts = copy.deepcopy(model.state_dict()) if phase == 'val': accuracy_history.append(epoch_acc.cpu().numpy()) # 存储每次验证阶段的精度用于绘图 model.load_state_dict(best_model_wts) return model, accuracy_history trained_model, val_accuracy_history = train_model(model, criterion, optimizer, scheduler, num_epochs=25) ``` --- #### 绘制准确度曲线 完成训练后，可以可视化验证集上的准确率变化趋势。 ```python plt.plot(val_accuracy_history, label='Validation Accuracy') plt.title('Model Validation Accuracy Over Epochs') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend(loc="lower right") plt.show() ``` --- ### 总结 以上代码展示了如何在 PyTorch 中结合 `timm` 库高效地构建一个基于 EfficientNet 的图像分类器，并提供了详细的训练脚本和结果展示功能。该方案适用于多种场景下的迁移学习任务。