做网站用啥软件,建材网站设计,网站公司哪家最专业,十堰秦楚网公众号当前案例不支持在GPU设备上静态图模式运行#xff0c;其他模式运行皆支持。
1、ShuffleNet网络介绍 ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型#xff0c;和MobileNet, SqueezeNet等一样主要应用在移动端#xff0c;所以模型的设计目标就是利用有限的计算资源来达…当前案例不支持在GPU设备上静态图模式运行其他模式运行皆支持。
1、ShuffleNet网络介绍 ShuffleNetV1是旷视科技提出的一种计算高效的CNN模型和MobileNet, SqueezeNet等一样主要应用在移动端所以模型的设计目标就是利用有限的计算资源来达到最好的模型精度。ShuffleNetV1的设计核心是引入了两种操作Pointwise Group Convolution和Channel Shuffle这在保持精度的同时大大降低了模型的计算量。因此ShuffleNetV1和MobileNet类似都是通过设计更高效的网络结构来实现模型的压缩和加速。 了解ShuffleNet更多详细内容详见论文ShuffleNet。
如下图所示ShuffleNet在保持不低的准确率的前提下将参数量几乎降低到了最小因此其运算速度较快单位参数量对模型准确率的贡献非常高。 图片来源Bianco S, Cadene R, Celona L, et al. Benchmark analysis of representative deep neural network architectures[J]. IEEE access, 2018, 6: 64270-64277.
1.1 模型架构 ShuffleNet最显著的特点在于对不同通道进行重排来解决Group Convolution带来的弊端。通过对ResNet的Bottleneck单元进行改进在较小的计算量的情况下达到了较高的准确率。
Pointwise Group Convolution
Group Convolution分组卷积原理如下图所示相比于普通的卷积操作分组卷积的情况下每一组的卷积核大小为in_channels/g*k*k一共有g组所有组共有(in_channels/g*k*k)*out_channels个参数是正常卷积参数的1/g。分组卷积中每个卷积核只处理输入特征图的一部分通道其优点在于参数量会有所降低但输出通道数仍等于卷积核的数量。 图片来源Huang G, Liu S, Van der Maaten L, et al. Condensenet: An efficient densenet using learned group convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 2752-2761.
Depthwise Convolution深度可分离卷积将组数g分为和输入通道相等的in_channels然后对每一个in_channels做卷积操作每个卷积核只处理一个通道记卷积核大小为1*k*k则卷积核参数量为in_channels*k*k得到的feature maps通道数与输入通道数相等
Pointwise Group Convolution逐点分组卷积在分组卷积的基础上令每一组的卷积核大小为 1×11×1卷积核参数量为(in_channels/g*1*1)*out_channels。
from mindspore import nn
import mindspore.ops as ops
from mindspore import Tensorclass GroupConv(nn.Cell):#定义类的初始化方法构造函数接收以下参数in_channels输入通道数out_channels输出通道数kernel_size卷积核的大小#stride卷积的步长pad_mode填充模式默认是 padpad填充大小默认是0groups分组数默认是1has_bias是否有偏置默认是Falsedef __init__(self, in_channels, out_channels, kernel_size,stride, pad_modepad, pad0, groups1, has_biasFalse):super(GroupConv, self).__init__()#调用父类 nn.Cell 的初始化方法self.groups groups#将分组数 groups 保存为类的实例变量self.convs nn.CellList()#创建一个 nn.CellList 实例 self.convs用于存储多个卷积层。for _ in range(groups):#遍历每一个分组#每次遍历中向 self.convs 添加一个新的卷积层该卷积层具有以下特点#输入通道数和输出通道数分别是 in_channels // groups 和 out_channels // groups即每组处理的通道数。# 其他参数如 kernel_size, stride, has_bias, padding, pad_mode 和 weight_init 使用传入的参数值。self.convs.append(nn.Conv2d(in_channels // groups, out_channels // groups,kernel_sizekernel_size, stridestride, has_biashas_bias,paddingpad, pad_modepad_mode, group1, weight_initxavier_uniform))def construct(self, x):#定义 construct 方法用于执行分组卷积操作。接收输入 x。# 使用 ops.split 将输入 x 按照通道维度分割成多个部分每个部分的大小为 len(x[0]) // self.groups。features ops.split(x, split_size_or_sectionsint(len(x[0]) // self.groups), axis1)outputs ()for i in range(self.groups):# 对每个分组使用相应的卷积层处理分割后的输入部分并将结果添加到 outputs 元组中。将输入部分转换为 float32 类型。outputs outputs (self.convs[i](features[i].astype(float32)),)#使用 ops.cat 将所有分组的卷积输出在通道维度上拼接在一起得到最终输出 out。out ops.cat(outputs, axis1)return out
1.2 Channel Shuffle Group Convolution的弊端在于不同组别的通道无法进行信息交流堆积GConv层后一个问题是不同组之间的特征图是不通信的这就好像分成了g个互不相干的道路每一个人各走各的这可能会降低网络的特征提取能力。这也是XceptionMobileNet等网络采用密集的1x1卷积Dense Pointwise Convolution的原因。 为了解决不同组别通道“近亲繁殖”的问题ShuffleNet优化了大量密集的1x1卷积在使用的情况下计算量占用率达到了惊人的93.4%引入Channel Shuffle机制通道重排。这项操作直观上表现为将不同分组通道均匀分散重组使网络在下一层能处理不同组别通道的信息。 如下图所示对于g组每组有n个通道的特征图首先reshape成g行n列的矩阵再将矩阵转置成n行g列最后进行flatten操作得到新的排列。这些操作都是可微分可导的且计算简单在解决了信息交互的同时符合了ShuffleNet轻量级网络设计的轻量特征。 1.3 ShffleNet模块
如下图所示ShuffleNet对ResNet中的Bottleneck结构进行由(a)到(b), (c)的更改 将开始和最后的1×11×1卷积模块降维、升维改成Point Wise Group Convolution 为了进行不同通道的信息交流再降维之后进行Channel Shuffle 降采样模块中3×33×3 Depth Wise Convolution的步长设置为2长宽降为原来的一般因此shortcut中采用步长为2的3×33×3平均池化并把相加改成拼接。 class ShuffleV1Block(nn.Cell):# ShuffleV1Block 类的构造函数接收以下参数# first_group: 是否在第一个卷积层使用分组卷积;mid_channels: 中间通道数;ksize: 卷积核大小;stride: 步长def __init__(self, inp, oup, group, first_group, mid_channels, ksize, stride):super(ShuffleV1Block, self).__init__()self.stride stride#步长 stride 保存为类的实例变量。pad ksize // 2self.group group# 根据步长 stride 的值决定 outputs如果步长为2输出通道数为 oup - inp否则为 oup。if stride 2:outputs oup - inpelse:outputs oupself.relu nn.ReLU()# 定义第一个主分支 branch_main_1包含以下层# 分组卷积层输入通道为 inp输出通道为 mid_channels卷积核大小为1步长为1填充为0。是否使用分组卷积取决于 first_group。# 批归一化层处理 mid_channels。# ReLU激活函数。branch_main_1 [GroupConv(in_channelsinp, out_channelsmid_channels,kernel_size1, stride1, pad_modepad, pad0,groups1 if first_group else group),nn.BatchNorm2d(mid_channels),nn.ReLU(),]# 定义第二个主分支 branch_main_2包含以下层# 卷积层输入和输出通道均为 mid_channels卷积核大小为 ksize步长为 stride填充为 pad分组数为 mid_channels使用 Xavier 权重初始化不带偏置。# 批归一化层处理 mid_channels。# 分组卷积层输入通道为 mid_channels输出通道为 outputs卷积核大小为1步长为1填充为0。# 批归一化层处理 outputs。branch_main_2 [nn.Conv2d(mid_channels, mid_channels, kernel_sizeksize, stridestride,pad_modepad, paddingpad, groupmid_channels,weight_initxavier_uniform, has_biasFalse),nn.BatchNorm2d(mid_channels),GroupConv(in_channelsmid_channels, out_channelsoutputs,kernel_size1, stride1, pad_modepad, pad0,groupsgroup),nn.BatchNorm2d(outputs),]# branch_main_1 和 branch_main_2 转换为 nn.SequentialCell便于按顺序执行各层。self.branch_main_1 nn.SequentialCell(branch_main_1)self.branch_main_2 nn.SequentialCell(branch_main_2)# 如果步长为2定义一个平均池化层 branch_proj卷积核大小为3步长为2填充模式为 same。if stride 2:self.branch_proj nn.AvgPool2d(kernel_size3, stride2, pad_modesame)# 定义 construct 方法接收输入 old_x。将 old_x 分别赋值给 left 和 right 变量初始化输出 out。def construct(self, old_x):left old_xright old_xout old_x# 将 right 通过第一个主分支 branch_main_1。right self.branch_main_1(right)# 如果分组数大于1对 right 进行通道洗牌操作。if self.group 1:right self.channel_shuffle(right)# 将 right 通过第二个主分支 branch_main_2。right self.branch_main_2(right)# 如果步长为1将 left 和 right 相加通过 ReLU 激活函数得到最终输出 out。if self.stride 1:out self.relu(left right)# 如果步长为2将 left 通过平均池化层 branch_proj然后将 left 和 right 在通道维度上拼接通过 ReLU 激活函数得到最终输出 out。elif self.stride 2:left self.branch_proj(left)out ops.cat((left, right), 1)out self.relu(out)return out# 定义 channel_shuffle 方法实现通道洗牌操作
# 获取输入 x 的形状分别为 batchsize、num_channels、height 和 width。
# 计算每个分组的通道数 group_channels。
# 将 x 重新调整形状为 (batchsize, group_channels, self.group, height, width)。
# 对 x 进行维度交换使得分组维度排在前面。
# 将 x 重新调整回原始形状 (batchsize, num_channels, height, width)。
# 返回洗牌后的 x。def channel_shuffle(self, x):batchsize, num_channels, height, width ops.shape(x)group_channels num_channels // self.groupx ops.reshape(x, (batchsize, group_channels, self.group, height, width))x ops.transpose(x, (0, 2, 1, 3, 4))x ops.reshape(x, (batchsize, num_channels, height, width))return x 2、构建ShuffleNet网络 ShuffleNet网络结构如下图所示以输入图像224×224组数3g 3为例首先通过数量24卷积核大小为3×3stride为2的卷积层输出特征图大小为112×112channel为24然后通过stride为2的最大池化层输出特征图大小为56×56channel数不变再堆叠3个ShuffleNet模块Stage2, Stage3, Stage4三个模块分别重复4次、8次、4次其中每个模块开始先经过一次下采样模块上图(c)使特征图长宽减半channel翻倍Stage2的下采样模块除外将channel数从24变为240随后经过全局平均池化输出大小为1×1×960再经过全连接层和softmax得到分类概率。 class ShuffleNetV1(nn.Cell):# 定义类的初始化方法构造函数接收以下参数# n_class分类的类别数默认是1000。# model_size模型大小默认是 2.0x。# group分组数默认是3。# 调用父类 nn.Cell 的初始化方法并打印模型大小。def __init__(self, n_class1000, model_size2.0x, group3):super(ShuffleNetV1, self).__init__()print(model size is , model_size)# 定义每个阶段的重复次数分别是4、8、4。self.stage_repeats [4, 8, 4]# 将模型大小 model_size 保存为类的实例变量。self.model_size model_size# 根据 group 和 model_size 的值设置 self.stage_out_channels这是每个阶段的输出通道数。每种 model_size 对应不同的通道配置。if group 3:if model_size 0.5x:self.stage_out_channels [-1, 12, 120, 240, 480]elif model_size 1.0x:self.stage_out_channels [-1, 24, 240, 480, 960]elif model_size 1.5x:self.stage_out_channels [-1, 24, 360, 720, 1440]elif model_size 2.0x:self.stage_out_channels [-1, 48, 480, 960, 1920]else:raise NotImplementedErrorelif group 8:if model_size 0.5x:self.stage_out_channels [-1, 16, 192, 384, 768]elif model_size 1.0x:self.stage_out_channels [-1, 24, 384, 768, 1536]elif model_size 1.5x:self.stage_out_channels [-1, 24, 576, 1152, 2304]elif model_size 2.0x:self.stage_out_channels [-1, 48, 768, 1536, 3072]else:raise NotImplementedError# 设置第一个卷积层的输入通道数。input_channel self.stage_out_channels[1]# 定义第一个卷积层包括# 卷积层输入通道数为3RGB图像输出通道数为 input_channel卷积核大小为3步长为2填充为1使用 Xavier 权重初始化不带偏置。# 批归一化层处理 input_channel。# ReLU激活函数。self.first_conv nn.SequentialCell(nn.Conv2d(3, input_channel, 3, 2, pad, 1, weight_initxavier_uniform, has_biasFalse),nn.BatchNorm2d(input_channel),nn.ReLU(),)# 定义一个最大池化层卷积核大小为3步长为2填充模式为 same。self.maxpool nn.MaxPool2d(kernel_size3, stride2, pad_modesame)# 定义特征提取部分。遍历每个阶段根据 self.stage_repeats 添加多个 ShuffleV1Block# stride如果是每个阶段的第一个块步长为2否则为1。# first_group如果是第一个阶段的第一个块设置 first_group 为True。# 将 ShuffleV1Block 添加到 features 列表中并更新 input_channel 为 output_channel。features []for idxstage in range(len(self.stage_repeats)):numrepeat self.stage_repeats[idxstage]output_channel self.stage_out_channels[idxstage 2]for i in range(numrepeat):stride 2 if i 0 else 1first_group idxstage 0 and i 0features.append(ShuffleV1Block(input_channel, output_channel,groupgroup, first_groupfirst_group,mid_channelsoutput_channel // 4, ksize3, stridestride))input_channel output_channel# 将 features 列表转换为 nn.SequentialCell便于按顺序执行各层。self.features nn.SequentialCell(features)# 定义一个全局平均池化层池化窗口大小为7。self.globalpool nn.AvgPool2d(7)self.classifier nn.Dense(self.stage_out_channels[-1], n_class)
# 定义 construct 方法前向传播过程
# 输入 x 通过第一个卷积层 self.first_conv。
# 通过最大池化层 self.maxpool。
# 通过特征提取部分 self.features。
# 通过全局平均池化层 self.globalpool。
# 将池化后的输出调整形状为二维通道数为 self.stage_out_channels[-1]。
# 通过全连接层 self.classifier得到最终的分类结果。
# 返回分类结果 x。def construct(self, x):x self.first_conv(x)x self.maxpool(x)x self.features(x)x self.globalpool(x)x ops.reshape(x, (-1, self.stage_out_channels[-1]))x self.classifier(x)return x 3、模型训练和评估
采用CIFAR-10数据集对ShuffleNet进行预训练。
3.1 训练集准备与加载 采用CIFAR-10数据集对ShuffleNet进行预训练。CIFAR-10共有60000张32*32的彩色图像均匀地分为10个类别其中50000张图片作为训练集10000图片作为测试集。如下示例使用mindspore.dataset.Cifar10Dataset接口下载并加载CIFAR-10的训练集。目前仅支持二进制版本CIFAR-10 binary version。
from download import downloadurl https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/cifar-10-binary.tar.gzdownload(url, ./dataset, kindtar.gz, replaceTrue) import mindspore as ms
from mindspore.dataset import Cifar10Dataset
from mindspore.dataset import vision, transforms# 定义一个名为 get_dataset 的函数接收三个参数
# train_dataset_path: 训练数据集的路径
# batch_size: 每个批次的样本数量
# usage: 数据集的用途例如 train 或 test
def get_dataset(train_dataset_path, batch_size, usage):# 初始化一个空的 image_trans 列表。如果 usage 为 train则添加一系列数据增强和变换操作到 image_trans 列表中# 随机裁剪到 32x32边距为 4 像素# 随机水平翻转概率为 0.5# 调整图像大小到 224x224# 像素值缩放到 [0, 1] 范围# 使用均值和标准差进行归一化# 将图像从 HWC 格式转换为 CHW 格式image_trans []if usage train:image_trans [vision.RandomCrop((32, 32), (4, 4, 4, 4)),vision.RandomHorizontalFlip(prob0.5),vision.Resize((224, 224)),vision.Rescale(1.0 / 255.0, 0.0),vision.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010]),vision.HWC2CHW()]# 如果 usage 为 test则添加一系列数据变换操作到 image_trans 列表中没有数据增强操作# 调整图像大小到 224x224# 像素值缩放到 [0, 1] 范围# 使用均值和标准差进行归一化# 将图像从 HWC 格式转换为 CHW 格式elif usage test:image_trans [vision.Resize((224, 224)),vision.Rescale(1.0 / 255.0, 0.0),vision.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010]),vision.HWC2CHW()]# 定义标签变换操作将标签转换为 ms.int32 类型。label_trans transforms.TypeCast(ms.int32)# 加载CIFAR-10数据集指定数据集路径和用途并启用随机打乱。dataset Cifar10Dataset(train_dataset_path, usageusage, shuffleTrue)# 对数据集应用变换操作dataset dataset.map(image_trans, image)dataset dataset.map(label_trans, label)# 将数据集分批次处理每个批次包含 batch_size 个样本。如果最后一个批次样本数量不足则丢弃该批次。dataset dataset.batch(batch_size, drop_remainderTrue)return dataset
# 调用 get_dataset 函数加载训练数据集路径为 ./dataset/cifar-10-batches-bin每个批次包含 128 个样本。
dataset get_dataset(./dataset/cifar-10-batches-bin, 128, train)
# 获取每个epoch的批次数并将其赋值给 batches_per_epoch 变量。
batches_per_epoch dataset.get_dataset_size()
3.2 模型训练 本节用随机初始化的参数做预训练。首先调用ShuffleNetV1定义网络参数量选择2.0x并定义损失函数为交叉熵损失学习率经过4轮的warmup后采用余弦退火优化器采用Momentum。最后用train.model中的Model接口将模型、损失函数、优化器封装在model中并用model.train()对网络进行训练。将ModelCheckpoint、CheckpointConfig、TimeMonitor和LossMonitor传入回调函数中将会打印训练的轮数、损失和时间并将ckpt文件保存在当前目录下。
import mindspore as ms
from mindspore.dataset import Cifar10Dataset
from mindspore.dataset import vision, transforms# 定义一个名为 get_dataset 的函数接收三个参数
# train_dataset_path: 训练数据集的路径
# batch_size: 每个批次的样本数量
# usage: 数据集的用途例如 train 或 test
def get_dataset(train_dataset_path, batch_size, usage):# 初始化一个空的 image_trans 列表。如果 usage 为 train则添加一系列数据增强和变换操作到 image_trans 列表中# 随机裁剪到 32x32边距为 4 像素# 随机水平翻转概率为 0.5# 调整图像大小到 224x224# 像素值缩放到 [0, 1] 范围# 使用均值和标准差进行归一化# 将图像从 HWC 格式转换为 CHW 格式image_trans []if usage train:image_trans [vision.RandomCrop((32, 32), (4, 4, 4, 4)),vision.RandomHorizontalFlip(prob0.5),vision.Resize((224, 224)),vision.Rescale(1.0 / 255.0, 0.0),vision.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010]),vision.HWC2CHW()]# 如果 usage 为 test则添加一系列数据变换操作到 image_trans 列表中没有数据增强操作# 调整图像大小到 224x224# 像素值缩放到 [0, 1] 范围# 使用均值和标准差进行归一化# 将图像从 HWC 格式转换为 CHW 格式elif usage test:image_trans [vision.Resize((224, 224)),vision.Rescale(1.0 / 255.0, 0.0),vision.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010]),vision.HWC2CHW()]# 定义标签变换操作将标签转换为 ms.int32 类型。label_trans transforms.TypeCast(ms.int32)# 加载CIFAR-10数据集指定数据集路径和用途并启用随机打乱。dataset Cifar10Dataset(train_dataset_path, usageusage, shuffleTrue)# 对数据集应用变换操作dataset dataset.map(image_trans, image)dataset dataset.map(label_trans, label)# 将数据集分批次处理每个批次包含 batch_size 个样本。如果最后一个批次样本数量不足则丢弃该批次。dataset dataset.batch(batch_size, drop_remainderTrue)return dataset
# 调用 get_dataset 函数加载训练数据集路径为 ./dataset/cifar-10-batches-bin每个批次包含 128 个样本。
dataset get_dataset(./dataset/cifar-10-batches-bin, 128, train)
# 获取每个epoch的批次数并将其赋值给 batches_per_epoch 变量。
batches_per_epoch dataset.get_dataset_size() 训练好的模型保存在当前目录的shufflenetv1-5_390.ckpt中用作评估。
3.3 模型评估
在CIFAR-10的测试集上对模型进行评估。
设置好评估模型的路径后加载数据集并设置Top 1, Top 5的评估标准最后用model.eval()接口对模型进行评估。
from mindspore import load_checkpoint, load_param_into_netdef test():# 设置MindSpore的上下文为图模式并使用Ascend设备mindspore.set_context(modemindspore.GRAPH_MODE, device_targetAscend)# 加载CIFAR-10数据集用于测试batch size为128dataset get_dataset(./dataset/cifar-10-batches-bin, 128, test)# 初始化ShuffleNetV1模型模型大小为2.0x分类数为10net ShuffleNetV1(model_size2.0x, n_class10)# 从checkpoint文件中加载模型参数param_dict load_checkpoint(shufflenetv1-5_390.ckpt)# 将加载的参数导入到网络中load_param_into_net(net, param_dict)# 设置模型为评估模式非训练模式net.set_train(False)# 定义交叉熵损失函数使用标签平滑技术损失减少方法为求平均值loss nn.CrossEntropyLoss(weightNone, reductionmean, label_smoothing0.1)# 定义评估指标包括损失、Top-1准确率和Top-5准确率eval_metrics {Loss: nn.Loss(), Top_1_Acc: Top1CategoricalAccuracy(),Top_5_Acc: Top5CategoricalAccuracy()}# 使用模型、损失函数和评估指标初始化Model对象model Model(net, loss_fnloss, metricseval_metrics)# 记录评估开始的时间start_time time.time()# 进行模型评估使用dataset_sink_modeFalse表示不使用数据下沉模式res model.eval(dataset, dataset_sink_modeFalse)# 计算评估所用时间use_time time.time() - start_timehour str(int(use_time // 60 // 60))minute str(int(use_time // 60 % 60))second str(int(use_time % 60))# 生成评估结果的日志信息log result: str(res) , ckpt: ./shufflenetv1-5_390.ckpt \ , time: hour h minute m second sprint(log)# 将日志信息写入到eval_log.txt文件中filename ./eval_log.txt#指定日志文件名为eval_log.txt。with open(filename, a) as file_object:#以追加模式打开日志文件。file_object.write(log \n)#将日志信息写入到文件中。if __name__ __main__:test() 3.4 模型预测 在CIFAR-10的测试集上对模型进行预测并将预测结果可视化。
import mindspore
import matplotlib.pyplot as plt
import mindspore.dataset as ds# 初始化ShuffleNetV1模型
net ShuffleNetV1(model_size2.0x, n_class10)
# 创建一个空列表用于存储结果
show_lst []
# 从checkpoint文件中加载模型参数
param_dict load_checkpoint(shufflenetv1-5_390.ckpt)
load_param_into_net(net, param_dict)
# 使用加载的参数初始化模型
model Model(net)
# 加载CIFAR-10数据集用于预测设置不进行数据混洗
dataset_predict ds.Cifar10Dataset(dataset_dir./dataset/cifar-10-batches-bin, shuffleFalse, usagetrain)
# 加载CIFAR-10数据集用于显示设置不进行数据混洗
dataset_show ds.Cifar10Dataset(dataset_dir./dataset/cifar-10-batches-bin, shuffleFalse, usagetrain)
dataset_show dataset_show.batch(16)
# 获取一批图像用于显示
show_images_lst next(dataset_show.create_dict_iterator())[image].asnumpy()
# 定义图像转换操作
image_trans [vision.RandomCrop((32, 32), (4, 4, 4, 4)),vision.RandomHorizontalFlip(prob0.5),vision.Resize((224, 224)),vision.Rescale(1.0 / 255.0, 0.0),vision.Normalize([0.4914, 0.4822, 0.4465], [0.2023, 0.1994, 0.2010]),vision.HWC2CHW()]
# 应用图像转换操作到预测数据集
dataset_predict dataset_predict.map(image_trans, image)
dataset_predict dataset_predict.batch(16)
# 定义类别字典将类别标签转换为类别名称
class_dict {0:airplane, 1:automobile, 2:bird, 3:cat, 4:deer, 5:dog, 6:frog, 7:horse, 8:ship, 9:truck}
# 推理效果展示(上方为预测的结果下方为推理效果图片)
# 创建图像显示窗口
plt.figure(figsize(16, 5))
# 获取一批用于预测的数据
predict_data next(dataset_predict.create_dict_iterator())
# 进行预测
output model.predict(ms.Tensor(predict_data[image]))
# 获取预测结果的类别
pred np.argmax(output.asnumpy(), axis1)
# 显示预测结果和对应的图像
index 0
for image in show_images_lst:plt.subplot(2, 8, index1)plt.title({}.format(class_dict[pred[index]]))index 1plt.imshow(image)plt.axis(off)
plt.show()打卡
