图片分类实战：食物分类问题（含半监督）

食物分类问题

simple_class

---

1. 导入必要的库和模块

import random
import torch
import torch.nn as nn
import numpy as np
import os
from PIL import Image #读取图片数据
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
from torchvision import transforms
import time
import matplotlib.pyplot as plt
from model_utils.model import initialize_model

• import random: 导入Python标准库中的随机数生成器。
• import torch: 导入PyTorch库，用于深度学习模型的构建和训练。
• import torch.nn as nn: 导入PyTorch的神经网络模块，包含各种层和损失函数。
• import numpy as np: 导入NumPy库，用于数值计算和数组操作。
• import os: 导入操作系统接口模块，用于文件路径处理。
• from PIL import Image: 导入PIL（Python Imaging Library）库，用于图像处理。
• from torch.utils.data import Dataset, DataLoader: 导入PyTorch的数据集和数据加载器类，用于管理数据集和批量加载数据。
• from tqdm import tqdm: 导入tqdm库，用于显示进度条。
• from torchvision import transforms: 导入PyTorch的图像变换模块，用于对图像进行预处理。
• import time: 导入时间模块，用于记录训练时间。
• import matplotlib.pyplot as plt: 导入matplotlib库，用于绘制图表。
• from model_utils.model import initialize_model: 导入自定义模块中的初始化模型函数。

2. 设置随机种子以确保结果可重复

def seed_everything(seed):torch.manual_seed(seed)torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)torch.backends.cudnn.benchmark = Falsetorch.backends.cudnn.deterministic = Truerandom.seed(seed)np.random.seed(seed)os.environ['PYTHONHASHSEED'] = str(seed)seed_everything(0)

• def seed_everything(seed):: 定义一个函数 seed_everything，用于设置所有可能影响随机性的种子。
• torch.manual_seed(seed): 设置PyTorch的CPU随机种子。
• torch.cuda.manual_seed(seed): 设置PyTorch的GPU随机种子。
• torch.cuda.manual_seed_all(seed): 如果有多个GPU，设置所有GPU的随机种子。
• torch.backends.cudnn.benchmark = False: 关闭CuDNN自动优化功能，确保每次运行的结果一致。
• torch.backends.cudnn.deterministic = True: 设置CuDNN为确定性模式，确保结果可重复。
• random.seed(seed): 设置Python内置随机数生成器的种子。
• np.random.seed(seed): 设置NumPy的随机数生成器的种子。
• os.environ['PYTHONHASHSEED'] = str(seed): 设置环境变量 PYTHONHASHSEED，确保哈希值的一致性。
• seed_everything(0): 调用 seed_everything 函数，设置全局随机种子为0。

3. 定义图像变换

HW = 224train_transform = transforms.Compose([transforms.ToPILImage(),   # 将numpy.ndarray转换为PIL.Imagetransforms.RandomResizedCrop(224),  # 随机裁剪并调整大小到224x224transforms.RandomRotation(50),  # 随机旋转角度在[-50, 50]之间transforms.ToTensor()  # 将PIL.Image转换为tensor]
)val_transform = transforms.Compose([transforms.ToPILImage(),   # 将numpy.ndarray转换为PIL.Imagetransforms.ToTensor()  # 将PIL.Image转换为tensor]
)

• HW = 224: 定义图像的高度和宽度为224像素。
• train_transform: 定义训练集的图像变换组合：
  • transforms.ToPILImage(): 将输入的numpy数组转换为PIL图像格式。
  • transforms.RandomResizedCrop(224): 随机裁剪并调整大小到224x224像素。
  • transforms.RandomRotation(50): 随机旋转图像，角度范围在[-50, 50]度之间。
  • transforms.ToTensor(): 将PIL图像转换为PyTorch张量（tensor），并将像素值归一化到[0, 1]区间。
• val_transform: 定义验证集的图像变换组合：
  • transforms.ToPILImage(): 将输入的numpy数组转换为PIL图像格式。
  • transforms.ToTensor(): 将PIL图像转换为PyTorch张量（tensor），并将像素值归一化到[0, 1]区间。

4. 自定义数据集类

class food_Dataset(Dataset):def __init__(self, path, mode="train"):self.mode = modeif mode == "semi":self.X = self.read_file(path)else:self.X, self.Y = self.read_file(path)self.Y = torch.LongTensor(self.Y)  # 标签转为长整形if mode == "train":self.transform = train_transformelse:self.transform = val_transformdef read_file(self, path):if self.mode == "semi":file_list = os.listdir(path)xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8)for j, img_name in enumerate(file_list):img_path = os.path.join(path, img_name)img = Image.open(img_path)img = img.resize((HW, HW))xi[j, ...] = np.array(img)print("读到了%d个数据" % len(xi))return xielse:for i in tqdm(range(11)):file_dir = path + "/%02d" % ifile_list = os.listdir(file_dir)xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8)yi = np.zeros(len(file_list), dtype=np.uint8)for j, img_name in enumerate(file_list):img_path = os.path.join(file_dir, img_name)img = Image.open(img_path)img = img.resize((HW, HW))xi[j, ...] = np.array(img)yi[j] = iif i == 0:X = xiY = yielse:X = np.concatenate((X, xi), axis=0)Y = np.concatenate((Y, yi), axis=0)print("读到了%d个数据" % len(Y))return X, Ydef __getitem__(self, item):if self.mode == "semi":return self.transform(self.X[item]), self.X[item]else:return self.transform(self.X[item]), self.Y[item]def __len__(self):return len(self.X)

• class food_Dataset(Dataset):: 定义一个继承自 Dataset 的自定义数据集类 food_Dataset。
• def __init__(self, path, mode="train"):: 初始化方法，接受数据集路径和模式（默认为“train”）作为参数。
  • self.mode = mode: 记录数据集的模式。
  • if mode == "semi":: 如果是半监督模式，则仅读取未标记的图像数据。
  • else:: 否则，读取带有标签的图像数据，并将标签转换为长整型。
  • if mode == "train":: 如果是训练模式，使用 train_transform 进行图像变换。
  • else:: 否则，使用 val_transform 进行图像变换。
• def read_file(self, path):: 定义一个读取文件的方法，根据不同的模式读取图像数据。
  • if self.mode == "semi":: 如果是半监督模式，读取未标记的图像数据：
    • file_list = os.listdir(path): 获取目录下的所有文件名。
    • xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8): 创建一个零数组用于存储图像数据。
    • for j, img_name in enumerate(file_list):: 遍历每个文件名，打开图像并调整大小，然后将其存储在 xi 中。
    • print("读到了%d个数据" % len(xi)): 打印读取到的图像数量。
    • return xi: 返回图像数据。
  • else:: 否则，读取带有标签的图像数据：
    • for i in tqdm(range(11)):: 使用 tqdm 显示进度条，遍历每个类别（假设共有11个类别）。
    • file_dir = path + "/%02d" % i: 构建类别目录路径。
    • file_list = os.listdir(file_dir): 获取该类别目录下的所有文件名。
    • xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8): 创建一个零数组用于存储图像数据。
    • yi = np.zeros(len(file_list), dtype=np.uint8): 创建一个零数组用于存储标签。
    • for j, img_name in enumerate(file_list):: 遍历每个文件名，打开图像并调整大小，然后将其存储在 xi 中，并将对应的标签存储在 yi 中。
    • if i == 0:: 如果是第一个类别，初始化 X 和 Y。
    • else:: 否则，将当前类别的图像和标签连接到已有数据中。
    • print("读到了%d个数据" % len(Y)): 打印读取到的图像数量。
    • return X, Y: 返回图像数据和标签。
• def __getitem__(self, item):: 定义获取指定索引的数据项的方法。
  • if self.mode == "semi":: 如果是半监督模式，返回变换后的图像及其原始图像。
  • else:: 否则，返回变换后的图像及其标签。
• def __len__(self):: 定义返回数据集长度的方法，即图像的数量。

5. 半监督数据集类

class semiDataset(Dataset):def __init__(self, no_label_loader, model, device, thres=0.99):x, y = self.get_label(no_label_loader, model, device, thres)if x == []:self.flag = Falseelse:self.flag = Trueself.X = np.array(x)self.Y = torch.LongTensor(y)self.transform = train_transformdef get_label(self, no_label_loader, model, device, thres):model = model.to(device)pred_prob = []labels = []x = []y = []soft = nn.Softmax(dim=1)with torch.no_grad():for bat_x, _ in no_label_loader:bat_x = bat_x.to(device)pred = model(bat_x)pred_soft = soft(pred)pred_max, pred_value = pred_soft.max(1)pred_prob.extend(pred_max.cpu().numpy().tolist())labels.extend(pred_value.cpu().numpy().tolist())for index, prob in enumerate(pred_prob):if prob > thres:x.append(no_label_loader.dataset[index][0])y.append(labels[index])return x, ydef __getitem__(self, item):return self.transform(self.X[item]), self.Y[item]def __len__(self):return len(self.X)

• class semiDataset(Dataset):: 定义一个继承自 Dataset 的半监督数据集类 semiDataset。
• def __init__(self, no_label_loader, model, device, thres=0.99):: 初始化方法，接受未标记数据加载器、模型、设备和置信度阈值作为参数。
  • x, y = self.get_label(no_label_loader, model, device, thres): 调用 get_label 方法获取高置信度的伪标签样本。
  • if x == []:: 如果没有找到符合条件的样本，设置 flag 为 False。
  • else:: 否则，设置 flag 为 True，并将样本数据和标签存储在 self.X 和 self.Y 中，并使用 train_transform 进行图像变换。
• def get_label(self, no_label_loader, model, device, thres):: 定义一个获取伪标签的方法。
  • model = model.to(device): 将模型移动到指定设备（CPU或GPU）。
  • pred_prob = []: 初始化预测概率列表。
  • labels = []: 初始化标签列表。
  • x = []: 初始化图像数据列表。
  • y = []: 初始化标签列表。
  • soft = nn.Softmax(dim=1): 初始化Softmax函数，用于将模型输出转换为概率分布。
  • with torch.no_grad():: 禁用梯度计算，减少内存占用和加速推理。
    • for bat_x, _ in no_label_loader:: 遍历未标记数据加载器中的每个批次。
      • bat_x = bat_x.to(device): 将输入数据移动到指定设备。
      • pred = model(bat_x): 使用模型进行前向传播，得到预测结果。
      • pred_soft = soft(pred): 使用Softmax函数将预测结果转换为概率分布。
      • pred_max, pred_value = pred_soft.max(1): 获取每个样本的最大概率及其对应的类别。
      • pred_prob.extend(pred_max.cpu().numpy().tolist()): 将最大概率值添加到 pred_prob 列表中。
      • labels.extend(pred_value.cpu().numpy().tolist()): 将对应的类别标签添加到 labels 列表中。
  • for index, prob in enumerate(pred_prob):: 遍历每个样本的概率值。
    • if prob > thres:: 如果概率值大于设定的阈值，则认为该样本的预测结果是可靠的。
      • x.append(no_label_loader.dataset[index][0]): 将该样本的图像数据添加到 x 列表中。
      • y.append(labels[index]): 将该样本的预测标签添加到 y 列表中。
  • return x, y: 返回筛选出的图像数据和标签。
• def __getitem__(self, item):: 定义获取指定索引的数据项的方法，返回变换后的图像及其标签。
• def __len__(self):: 定义返回数据集长度的方法，即图像的数量。

明白了，我们将从“6. 获取半监督数据加载器”继续逐句分析代码，并保持详细的解释风格。

6. 获取半监督数据加载器

def get_semi_loader(no_label_loder, model, device, thres):semiset = semiDataset(no_label_loder, model, device, thres)if semiset.flag == False:return Noneelse:semi_loader = DataLoader(semiset, batch_size=16, shuffle=False)return semi_loader

• get_semi_loader：定义了一个函数，用于创建包含伪标签样本的数据加载器。
  • no_label_loder：未标记数据的加载器。
  • model：当前训练的模型，用于对未标记数据进行预测。
  • device：设备类型（CPU或GPU）。
  • thres：置信度阈值，用于选择高置信度样本。
• semiset：使用 semiDataset 类创建一个包含伪标签样本的数据集对象。
• if semiset.flag == False：如果 semiDataset 对象中没有满足条件的样本，则返回 None。
• else：否则，使用 DataLoader 创建一个新的数据加载器 semi_loader，批次大小为16且不打乱数据。

明白了，让我们重新详细解析 myModel 类的定义部分，并继续进入训练和验证函数的解析。

7. 定义模型

class myModel(nn.Module):def __init__(self, num_class):super(myModel, self).__init__()self.conv1 = nn.Conv2d(3, 64, 3, 1, 1)self.bn1 = nn.BatchNorm2d(64)self.relu = nn.ReLU()self.pool1 = nn.MaxPool2d(2)self.layer1 = nn.Sequential(nn.Conv2d(64, 128, 3, 1, 1),nn.BatchNorm2d(128),nn.ReLU(),nn.MaxPool2d(2))self.layer2 = nn.Sequential(nn.Conv2d(128, 256, 3, 1, 1),nn.BatchNorm2d(256),nn.ReLU(),nn.MaxPool2d(2))self.layer3 = nn.Sequential(nn.Conv2d(256, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(),nn.MaxPool2d(2))self.pool2 = nn.MaxPool2d(2)self.fc1 = nn.Linear(25088, 1000)self.relu2 = nn.ReLU()self.fc2 = nn.Linear(1000, num_class)def forward(self, x):x = self.conv1(x)x = self.bn1(x)x = self.relu(x)x = self.pool1(x)x = self.layer1(x)x = self.layer2(x)x = self.layer3(x)x = self.pool2(x)x = x.view(x.size()[0], -1)x = self.fc1(x)x = self.relu2(x)x = self.fc2(x)return x

__init__ 方法

• super(myModel, self).init()：调用父类 nn.Module 的构造函数。
• self.conv1：定义第一个卷积层，输入通道数为3（RGB图像），输出通道数为64，卷积核大小为3x3，步长为1，填充为1。
• self.bn1：定义第一个批量归一化层，用于归一化卷积层的输出。
• self.relu：定义ReLU激活函数。
• self.pool1：定义第一个最大池化层，池化窗口大小为2x2。
• self.layer1：定义第一个卷积块，包含一个卷积层、批量归一化层、ReLU激活函数和最大池化层。卷积层将输入通道数从64变为128。
• self.layer2：定义第二个卷积块，与 layer1 类似，但将输入通道数从128变为256。
• self.layer3：定义第三个卷积块，与 layer2 类似，但将输入通道数从256变为512。
• self.pool2：定义第二个最大池化层，池化窗口大小为2x2。
• self.fc1：定义第一个全连接层，输入特征数为25088（经过前面的卷积和池化操作后的特征图大小），输出特征数为1000。
• self.relu2：定义第二个ReLU激活函数。
• self.fc2：定义第二个全连接层，输入特征数为1000，输出特征数为 num_class（类别数量）。

forward 方法

• def forward(self, x)：定义前向传播过程。
  • x = self.conv1(x)：对输入数据 x 进行第一次卷积操作。
  • x = self.bn1(x)：对卷积结果进行批量归一化。
  • x = self.relu(x)：应用ReLU激活函数。
  • x = self.pool1(x)：对激活结果进行最大池化操作。
  • x = self.layer1(x)：通过第一个卷积块。
  • x = self.layer2(x)：通过第二个卷积块。
  • x = self.layer3(x)：通过第三个卷积块。
  • x = self.pool2(x)：对第三个卷积块的结果进行最大池化操作。
  • x = x.view(x.size()[0], -1)：将多维张量展平成二维张量，以便输入到全连接层中。
  • x = self.fc1(x)：通过第一个全连接层。
  • x = self.relu2(x)：应用ReLU激活函数。
  • x = self.fc2(x)：通过第二个全连接层，输出最终预测结果。
  • return x：返回模型的预测结果。

8. 训练和验证函数

接下来我们继续解析 train_val 函数：

def train_val(model, train_loader, val_loader, no_label_loader, device, epochs, optimizer, loss, thres, save_path):model = model.to(device)semi_loader = Noneplt_train_loss = []plt_val_loss = []plt_train_acc = []plt_val_acc = []max_acc = 0.0for epoch in range(epochs):train_loss = 0.0val_loss = 0.0train_acc = 0.0val_acc = 0.0start_time = time.time()

初始化部分

• model = model.to(device)：将模型移动到指定设备（CPU或GPU）。
• semi_loader = None：初始化半监督数据加载器为 None。
• plt_train_loss、plt_val_loss、plt_train_acc、plt_val_acc：分别存储训练和验证的损失及准确率。
• max_acc = 0.0：初始化最大验证准确率为0.0。

每个epoch的训练循环

for epoch in range(epochs):train_loss = 0.0val_loss = 0.0train_acc = 0.0val_acc = 0.0start_time = time.time()model.train()for batch_x, batch_y in train_loader:x, target = batch_x.to(device), batch_y.to(device)pred = model(x)train_bat_loss = loss(pred, target)train_bat_loss.backward()optimizer.step()optimizer.zero_grad()train_loss += train_bat_loss.cpu().item()train_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())

• for epoch in range(epochs)：遍历每个epoch。
• train_loss = 0.0、val_loss = 0.0、train_acc = 0.0、val_acc = 0.0：初始化每个epoch的损失和准确率。
• start_time = time.time()：记录当前epoch的开始时间。
• model.train()：设置模型为训练模式。
• for batch_x, batch_y in train_loader：遍历训练数据加载器中的每个批次。
  • x, target = batch_x.to(device), batch_y.to(device)：将输入数据和标签移动到指定设备。
  • pred = model(x)：前向传播，计算模型输出。
  • train_bat_loss = loss(pred, target)：计算批次损失。
  • train_bat_loss.backward()：反向传播，计算梯度。
  • optimizer.step()：更新模型参数。
  • optimizer.zero_grad()：清空梯度，避免累积。
  • train_loss += train_bat_loss.cpu().item()：累加批次损失。
  • train_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())：计算并累加批次准确率。

处理半监督数据

if semi_loader is not None:for batch_x, batch_y in semi_loader:x, target = batch_x.to(device), batch_y.to(device)pred = model(x)semi_bat_loss = loss(pred, target)semi_bat_loss.backward()optimizer.step()optimizer.zero_grad()train_loss += semi_bat_loss.cpu().item()train_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())print("半监督数据集的训练准确率为", train_acc / len(semi_loader.dataset))

• if semi_loader is not None：如果存在半监督数据加载器，则处理这些数据。
  • for batch_x, batch_y in semi_loader：遍历半监督数据加载器中的每个批次。
  • x, target = batch_x.to(device), batch_y.to(device)：将输入数据和标签移动到指定设备。
  • pred = model(x)：前向传播，计算模型输出。
  • semi_bat_loss = loss(pred, target)：计算批次损失。
  • semi_bat_loss.backward()：反向传播，计算梯度。
  • optimizer.step()：更新模型参数。
  • optimizer.zero_grad()：清空梯度，避免累积。
  • train_loss += semi_bat_loss.cpu().item()：累加批次损失。
  • train_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())：计算并累加批次准确率。
  • print(“半监督数据集的训练准确率为”, train_acc / len(semi_loader.dataset))：打印半监督数据集的训练准确率。

验证过程

model.eval()
with torch.no_grad():for batch_x, batch_y in val_loader:x, target = batch_x.to(device), batch_y.to(device)pred = model(x)val_bat_loss = loss(pred, target)val_loss += val_bat_loss.cpu().item()val_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())

• model.eval()：设置模型为评估模式。
• with torch.no_grad()：禁用梯度计算，节省内存和计算资源。
• for batch_x, batch_y in val_loader：遍历验证数据加载器中的每个批次。
  • x, target = batch_x.to(device), batch_y.to(device)：将输入数据和标签移动到指定设备。
  • pred = model(x)：前向传播，计算模型输出。
  • val_bat_loss = loss(pred, target)：计算批次损失。
  • val_loss += val_bat_loss.cpu().item()：累加批次损失。
  • val_acc += np.sum(np.argmax(pred.detach().cpu().numpy(), axis=1) == target.cpu().numpy())：计算并累加批次准确率。

更新半监督数据加载器和保存最佳模型

if epoch % 3 == 0 and plt_val_acc[-1] > 0.6:semi_loader = get_semi_loader(no_label_loader, model, device, thres)if val_acc / len(val_loader.dataset) > max_acc:torch.save(model, save_path)max_acc = val_acc / len(val_loader.dataset)

• if epoch % 3 == 0 and plt_val_acc[-1] > 0.6：每3个epoch检查一次是否需要更新半监督数据加载器。
  • semi_loader = get_semi_loader(no_label_loader, model, device, thres)：调用 get_semi_loader 函数获取新的半监督数据加载器。
• if val_acc / len(val_loader.dataset) > max_acc：如果当前验证准确率高于历史最高，则保存当前模型。
  • torch.save(model, save_path)：保存模型到指定路径。
  • max_acc = val_acc / len(val_loader.dataset)：更新最大验证准确率。

打印训练结果

print('[%03d/%03d] %2.2f sec(s) TrainLoss : %.6f | valLoss: %.6f Trainacc : %.6f | valacc: %.6f' % \(epoch, epochs, time.time() - start_time, plt_train_loss[-1], plt_val_loss[-1], plt_train_acc[-1], plt_val_acc[-1]))

• print：打印每个epoch的训练和验证结果，包括epoch编号、耗时、训练损失、验证损失、训练准确率和验证准确率。

9、绘制损失和准确率曲线

plt.plot(plt_train_loss)
plt.plot(plt_val_loss)
plt.title("loss")
plt.legend(["train", "val"])
plt.show()plt.plot(plt_train_acc)
plt.plot(plt_val_acc)
plt.title("acc")
plt.legend(["train", "val"])
plt.show()

• plt.plot(plt_train_loss) 和 plt.plot(plt_val_loss)：绘制训练和验证的损失变化曲线。
• plt.title(“loss”)：设置图表标题为“loss”。
• plt.legend([“train”, “val”])：添加图例，区分训练和验证曲线。
• plt.show()：显示图表。
• plt.plot(plt_train_acc) 和 plt.plot(plt_val_acc)：绘制训练和验证的准确率变化曲线。
• plt.title(“acc”)：设置图表标题为“acc”。
• plt.legend([“train”, “val”])：添加图例，区分训练和验证曲线。
• plt.show()：显示图表。
  好的，让我们详细解析你提供的代码段，并解释每个部分的功能和作用。

10、数据集路径设置与数据加载器初始化

train_path = r"F:\pycharm\beike\classification\food_classification\food-11_sample\training\labeled"
val_path = r"F:\pycharm\beike\classification\food_classification\food-11_sample\validation"
no_label_path = r"F:\pycharm\beike\classification\food_classification\food-11_sample\training\unlabeled\00"train_set = food_Dataset(train_path, "train")
val_set = food_Dataset(val_path, "val")
no_label_set = food_Dataset(no_label_path, "semi")train_loader = DataLoader(train_set, batch_size=16, shuffle=True)
val_loader = DataLoader(val_set, batch_size=16, shuffle=True)
no_label_loader = DataLoader(no_label_set, batch_size=16, shuffle=False)

• train_path、val_path 和 no_label_path：定义了训练集、验证集和未标记数据集的路径。
• food_Dataset：自定义的数据集类，用于加载和预处理图像数据。它接受路径和模式（“train”、“val” 或 “semi”）作为参数。
  • train_set：创建一个训练数据集对象。
  • val_set：创建一个验证数据集对象。
  • no_label_set：创建一个未标记数据集对象。
• DataLoader：PyTorch中的数据加载器类，用于批量加载数据。
  • train_loader：训练数据加载器，批次大小为16，且打乱数据。
  • val_loader：验证数据加载器，批次大小为16，且打乱数据。
  • no_label_loader：未标记数据加载器，批次大小为16，不打乱数据。

11、模型初始化

# model = myModel(11)
model, _ = initialize_model("vgg", 11, use_pretrained=True)

• myModel(11)：注释掉的行表示使用自定义模型 myModel，类别数为11。
• initialize_model(“vgg”, 11, use_pretrained=True)：调用一个函数来初始化预训练的VGG模型，类别数为11，并使用预训练权重。

12、超参数设置

lr = 0.001
loss = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=lr, weight_decay=1e-4)
device = "cuda" if torch.cuda.is_available() else "cpu"
save_path = "model_save/best_model.pth"
epochs = 15
thres = 0.99

• lr：学习率设置为0.001。
• loss：损失函数使用交叉熵损失 nn.CrossEntropyLoss()。
• optimizer：优化器使用AdamW优化器 torch.optim.AdamW，并设置了学习率和权重衰减参数。
• device：检查是否有可用的GPU，如果没有则使用CPU。
• save_path：保存最佳模型的路径。
• epochs：训练轮数设置为15。
• thres：置信度阈值设置为0.99，用于半监督学习中选择高置信度样本。

13、训练和验证

train_val(model, train_loader, val_loader, no_label_loader, device, epochs, optimizer, loss, thres, save_path)

• train_val：调用训练和验证函数，传入模型、数据加载器、设备类型、训练轮数、优化器、损失函数、置信度阈值和保存路径。

数据集加载

train_set = food_Dataset(train_path, "train")
val_set = food_Dataset(val_path, "val")
no_label_set = food_Dataset(no_label_path, "semi")train_loader = DataLoader(train_set, batch_size=16, shuffle=True)
val_loader = DataLoader(val_set, batch_size=16, shuffle=True)
no_label_loader = DataLoader(no_label_set, batch_size=16, shuffle=False)

• food_Dataset：假设这是一个自定义的数据集类，负责读取和预处理图像数据。
• DataLoader：用于高效加载数据，支持多线程和批处理。

模型初始化

model, _ = initialize_model("vgg", 11, use_pretrained=True)

• initialize_model：假设这是另一个自定义函数，用于初始化预训练的VGG模型，并根据需要调整输出层以适应11个分类任务。

超参数配置

lr = 0.001
loss = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=lr, weight_decay=1e-4)
device = "cuda" if torch.cuda.is_available() else "cpu"
save_path = "model_save/best_model.pth"
epochs = 15
thres = 0.99

• lr：学习率设置为0.001。
• loss：使用交叉熵损失函数，适用于多分类问题。
• optimizer：使用AdamW优化器，结合了Adam的优点并添加了权重衰减，有助于防止过拟合。
• device：自动检测并选择合适的计算设备（GPU或CPU）。
• save_path：指定保存最佳模型的文件路径。
• epochs：训练轮数设置为15。
• thres：置信度阈值设置为0.99，用于筛选高质量伪标签样本。

调用训练和验证函数

train_val(model, train_loader, val_loader, no_label_loader, device, epochs, optimizer, loss, thres, save_path)

• train_val：假设这是一个包含训练和验证逻辑的函数，负责在给定的训练轮数内迭代地训练模型，并在每个epoch结束后进行验证。

总结

这段代码实现了从数据集加载到模型训练和验证的完整流程，具体步骤包括：

1. 数据集加载：通过自定义的 food_Dataset 类加载训练、验证和未标记数据集，并使用 DataLoader 进行批处理和数据打乱。
2. 模型初始化：使用预训练的VGG模型，并根据任务需求调整输出层。
3. 超参数配置：设置学习率、损失函数、优化器等超参数，并确定训练轮数和设备类型。
4. 训练和验证：调用 train_val 函数执行训练过程，并在每个epoch结束后进行验证，保存最佳模型。