トップページ ▶ 人工知能，実世界DB ▶ PyTorch の応用例 ▶ 単純な CNN を用いた画像分類（PyTorch のサンプルプログラムを使用）

サイトマップ

サイト内検索

用語集

アクセスログ

金子邦彦研究室

単純な CNN を用いた画像分類（PyTorch のサンプルプログラムを使用）

前準備

PyTorch のインストール

• Ubuntu でのインストール手順は、 別の Web ページで説明している．

単純な CNN を用いた画像分類（PyTorch のサンプルプログラムを使用）

Python プログラムを動かす．

1. インポート

   import torch
   import torchvision
   import torchvision.transforms as transforms
   

   Ubuntu での実行結果例
2. CIFAR 10 のダウンロード

   transform = transforms.Compose(
       [transforms.ToTensor(),
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
   trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
   trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)
   testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
   testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)
   classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
   

   Ubuntu での実行結果例
3. CNN の定義

   import torch.nn as nn
   import torch.nn.functional as F
   class Net(nn.Module):
       def __init__(self):
           super(Net, self).__init__()
           self.conv1 = nn.Conv2d(3, 6, 5)
           self.pool = nn.MaxPool2d(2, 2)
           self.conv2 = nn.Conv2d(6, 16, 5)
           self.fc1 = nn.Linear(16 * 5 * 5, 120)
           self.fc2 = nn.Linear(120, 84)
           self.fc3 = nn.Linear(84, 10)
       def forward(self, x):
           x = self.pool(F.relu(self.conv1(x)))
           x = self.pool(F.relu(self.conv2(x)))
           x = x.view(-1, 16 * 5 * 5)
           x = F.relu(self.fc1(x))
           x = F.relu(self.fc2(x))
           x = self.fc3(x)
           return x
   

   Ubuntu での実行結果例
4. GPU デバイスがあれば，それを使いたい

   net = Net()
   device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
   net.to(device)
   

   Ubuntu での実行結果例
5. 損失関数と最適化の定義

   import torch.optim as optim
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
   

   Ubuntu での実行結果例
6. 学習

   「inputs, labels = data[0].to(device), data[1].to(device)」は，GPUでもプログラムが動くようにするための処理

   for epoch in range(2):  # loop over the dataset multiple times
       running_loss = 0.0
       for i, data in enumerate(trainloader, 0):
           # get the inputs; data is a list of [inputs, labels]
           inputs, labels = data[0].to(device), data[1].to(device)
           # zero the parameter gradients
           optimizer.zero_grad()
           # forward + backward + optimize
           outputs = net(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
           # print statistics
           running_loss += loss.item()
           if i % 2000 == 1999:    # print every 2000 mini-batches
               print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))
               running_loss = 0.0
   print('Finished Training')
   

   Ubuntu での実行結果例
7. テストデータを用いたテスト

   dataiter = iter(testloader)
   d = dataiter.next()
   images, labels = d[0].to(device), d[1].to(device)
   # print images
   imshow(torchvision.utils.make_grid(images))
   outputs = net(images)
   _, predicted = torch.max(outputs, 1)
   print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))
   print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
   

   Ubuntu での実行結果例