### PyTorch 实现图像故障识别 在实现基于PyTorch的图像故障识别时，通常会遵循数据预处理、构建模型、训练以及评估的过程。下面提供了一个简单的卷积神经网络(CNN)用于图像分类的例子，此例子可用于故障检测中的二分类问题。 #### 数据集准备 为了简化说明，假设已经有一个标记好的数据集，其中包含正常和有缺陷两类图片。使用`torchvision.datasets.ImageFolder`加载并划分训练集与测试集： ```python from torchvision import datasets, transforms import torch.utils.data as data transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) train_dataset = datasets.ImageFolder(root='path_to_train_data', transform=transform) test_dataset = datasets.ImageFolder(root='path_to_test_data', transform=transform) train_loader = data.DataLoader(dataset=train_dataset, batch_size=32, shuffle=True) test_loader = data.DataLoader(dataset=test_dataset, batch_size=32, shuffle=False) ``` #### 构建CNN模型 定义一个基础版本的卷积神经网络结构来进行图像分类任务： ```python import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(3, 16, kernel_size=5, stride=1, padding=2) self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0) self.fc1 = nn.Linear(16 * 56 * 56, 128) self.fc2 = nn.Linear(128, 2) # 假设有两个类别：正常 vs 缺陷 def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv1(x))) # 这里重复了一次conv1操作作为示例；实际应有不同的层 x = x.view(-1, 16 * 56 * 56) x = F.relu(self.fc1(x)) x = self.fc2(x) return x ``` 注意，在上述代码中存在一处错误——两次调用了相同的卷积层(`conv1`)而不是不同的层实例。这只是一个示意性的错误，真实情况下应当创建新的卷积层或其他类型的层来替代第二次调用的位置[^1]。 #### 训练过程 设置损失函数为交叉熵，并利用Adam优化器进行参数更新： ```python model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): running_loss = 0.0 for i, (images, labels) in enumerate(train_loader): outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader)}') ``` #### 测试模型性能 最后通过测试集验证模型的效果： ```python correct = 0 total = 0 with torch.no_grad(): for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: %f %%' % (100 * correct / total)) ```