### 使用Python和CNN对花朵图片进行训练并绘制损失函数曲线 为了完成这一任务，可以采用PyTorch框架中的预训练模型ResNet50或MobileNet来构建花卉识别系统。以下是完整的解决方案： #### 数据准备 首先需要准备好数据集，并将其划分为训练集和测试集。假设已经下载了一个花卉数据集（如Oxford Flowers），可以通过`torchvision.datasets.ImageFolder`加载。 ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader # 定义数据增强和标准化操作 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset = datasets.ImageFolder(root='data/train', transform=transform) test_dataset = datasets.ImageFolder(root='data/test', transform=transform) # 创建DataLoader train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False) ``` #### 模型定义 可以选择使用ResNet50作为基础模型，并调整最后一层全连接层以适应分类任务。 ```python import torch.nn as nn from torchvision import models device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = models.resnet50(pretrained=True) num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, len(train_dataset.classes)) model.to(device) ``` #### 损失函数与优化器 定义交叉熵损失函数以及Adam优化器用于参数更新。 ```python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` #### 训练过程 记录每次迭代后的训练损失值以便后续绘图。 ```python def train_model(model, criterion, optimizer, num_epochs=10): losses = [] for epoch in range(num_epochs): running_loss = 0.0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) # 前向传播 outputs = model(inputs) loss = criterion(outputs, labels) # 反向传播与优化 optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() epoch_loss = running_loss / len(train_loader) losses.append(epoch_loss) print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {epoch_loss:.4f}') return losses ``` #### 绘制损失函数曲线 利用Matplotlib库展示训练过程中损失的变化趋势。 ```python import matplotlib.pyplot as plt losses = train_model(model, criterion, optimizer, num_epochs=10) plt.plot(losses) plt.title('Training Loss Curve') plt.xlabel('Epochs') plt.ylabel('Loss') plt.show() ``` 以上代码展示了如何使用Python结合CNN技术实现花朵图像分类的任务，同时提供了绘制训练集损失函数曲线的方法[^4]。 #### 测试阶段评估 对于测试集上的表现同样重要，在最终部署前需验证其准确性等性能指标。 ```python correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data[0].to(device), data[1].to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Test Accuracy of the Model on Test Images: {100 * correct / total}%') ```