今天学长向大家介绍一个机器视觉的毕设项目，基于深度学习的人脸识别系统
项目运行效果：
刺 项目分享:见文末!
2.1模型准备
使用的模型是torchvision.model里的经典模型和预训练好的参数。
因为我们是四分类所以调整模型输出为：
2.2参数设置
2.3读取数据并转换为tensor类型
这一部分我是定义了一个类mydataset继承父类Dataset来获取可迭代的数据对象，同时对图片的处理和transform转换也在这里面实现。这里就不多说，对dataset不懂得可以看我之前写的dataset类。直接贴代码。
2.4开始训练
2.5测试模型准确率
数据集描述
1.
下载地址messidor_features.arff
2. 数据集开头有一些描述信息，训练是用不到的，我选择删掉，方便用pd.read_csv()函数读取。
当然不删也是可以的，有专门的函数读取.arff文件
3.数据集messidor_features.arff包含从 Messidor
图像集中提取的特征，用于预测图像是否包含糖尿病视网膜病变的迹象。所有特征都代表检测到的病变、解剖部位的描述特征或图像级描述符。该数据集有20条属性，类标签是最后一条，如图。
4. 对数据集有大概了解后，来简单探索性分析一下它。首先查看data.info(),看看有没有缺失值及数据类型。
LogisticRegression()的参数很多，但需要设置的不多。我们的数据集是分布均衡的，参数类别权重 class_weight
不需要设置；关于参数优化算法 solver
用默认的‘liblinear’就好，因为这是二分类问题（只看有没有病变），而且我们是小数据集，也用不到面向大数据集的‘sag’和‘saga’；而
max_iter 是设置迭代次数，如果小了，可能模型没收敛就运行结束了，这里我设置为3000次。
四. 结果和模型评价及可视化
1.测试集的检测结果如图，1代表有病变，0代表没有。要注意的是划分训练集和测试集时，random_state等于不同的值，会得到不同的测试集，我这里是random_state=90，改成其他数，预测结果就和我不同，但对模型评价没有影响。
2.
模型评价的指标有很多，比如召回率、精度、准确率、F统计量、决定系数R²、ROC曲线的包络面积AUC等。可以用classification_report()一键生成评估报告。
3. 以FPR为横轴，TPR为纵轴，绘制ROC曲线，并由曲线计算得AUC=0.77。
该模型的检测能力还是可以的。
4. 从逻辑回归模型中导出各个变量的回归系数，由此作出重要程度的条形图。
逻辑回归就是把线性回归的结果输入到了sigmoid函数，所以各变量的系数还是有的。
可以看到对视网膜病变检测结果影响最大的五个变量分别是x14,x1,x2,x0,x15，它们的含义参照上文。可以确定这五个变量是导致糖尿病视网膜病变的主要因素。
项目运行效果：
刺 项目分享:见文末!
到此这篇pspnet论文（pspnet代码pytorch）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rgzn-ptkj/49594.html