昇思15天
ShuffleNet图像分类
-
导入必要的库：
- 使用了
mindspore，这是一个用于深度学习的框架。 - 使用
matplotlib.pyplot进行图像展示。 - 导入
mindspore.dataset用于数据加载和处理。
- 使用了
-
模型和数据准备：
- 初始化了一个 ShuffleNetV1 模型，选择了模型大小为 “2.0x”，类别数为 10（通常对应 CIFAR-10 数据集的类别）。
- 加载了预训练的权重。
- 准备了 CIFAR-10 数据集，进行了必要的预处理，如随机裁剪、水平翻转、大小调整、归一化等。
-
数据可视化和模型推理：
- 通过迭代器获取了一批图像数据，使用模型进行预测。
- 使用
matplotlib展示了预测结果与原图。每张图像上显示了模型预测的类别。
图像处理和模型推理流程
- 数据处理：数据通过一系列变换，将原始的 CIFAR-10 图像转换成适合 ShuffleNet 输入的格式。
- 模型推理：使用处理后的图像数据进行批量推理，获取模型的预测输出。
- 结果展示：展示了一组图像及其对应的预测标签，以可视化的方式呈现模型的推理效果。