### 简单的基于 PyTorch 和 ResNet 的猫狗分类代码示例 以下是一个基于 PyTorch 和 ResNet 的简单猫狗分类代码示例。该代码使用了迁移学习的思想，通过加载预训练的 ResNet 模型并微调其参数来实现猫狗分类任务[^2]。 ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, models, transforms from torch.utils.data import DataLoader # 定义数据预处理 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 = 'path_to_your_dataset' # 替换为你的数据集路径 image_datasets = {x: datasets.ImageFolder(f'{data_dir}/{x}', data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: DataLoader(image_datasets[x], batch_size=32, shuffle=True) for x in ['train', 'val']} # 使用 GPU 如果可用 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 加载预训练的 ResNet 模型 model = models.resnet18(pretrained=True) num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, 2) # 修改全连接层以适应猫狗分类任务 model = model.to(device) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练模型 def train_model(model, dataloaders, criterion, optimizer, num_epochs=10): 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) optimizer.zero_grad() with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) if phase == 'train': loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / len(dataloaders[phase].dataset) epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset) print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}') return model # 开始训练 model_trained = train_model(model, dataloaders, criterion, optimizer, num_epochs=10) ``` 上述代码实现了以下功能： - 数据预处理：对训练集进行随机裁剪和水平翻转以增强数据多样性，并对验证集进行中心裁剪[^2]。 - 加载预训练的 ResNet 模型：使用 `models.resnet18(pretrained=True)` 加载预训练模型，并修改其全连接层以适应猫狗分类任务。 - 定义损失函数和优化器：使用交叉熵损失函数和随机梯度下降优化器。 - 训练模型：定义一个训练函数 `train_model`，在训练和验证阶段分别更新模型参数并计算损失与准确率。 #### 注意事项 - 数据集路径需要替换为实际的猫狗分类数据集路径。 - 训练过程中可以根据实际情况调整超参数（如学习率、批量大小等）以获得更好的效果。