Question

with torch.no_grad():
    for data in test_loader:
        images,labels = data
        images, labels = images.to(device), labels.to(device)
        outputs, features = net(images)
        _ , predicted = torch.max(outputs,1)
        total += labels.size(0)
        correct += (predicted==labels).sum().item()
    print('Accuracy of the network on the 10000 test images: %d %%' % (
            100 * (correct / total)))

如何获得带有标签的GPU结果？
我的准确率几乎达到10％，但我最初的训练是准确率达到70％。

Answer 1

精确训练数据集（cifar10）并获得更高准确性的技巧是使用数据增强。

最初cifar10拥有50.000张训练图像和10.000张验证图像。

如果您在训练时不增强图像，则会过分适应。训练精度将比验证精度大得多。

所以您的目标是减少过度拟合。

减少过度拟合的最佳方法是训练更多数据（增强数据）。这是一个repo，可以帮助您处理PyTorch中的增强操作。

然后在PyTorch check these中扩展数据，例如RandomRotation，Resize，RandomVerticalFlip，RandomSizedCrop，...

原生PyTorch转换的一个示例可能看起来像：

t = transforms.Compose([transforms.RandomHorizontalFlip(),
                       transforms.ToTensor(),
                       transforms.RandomErasing(),
                       transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))]
                       )

dl_train = DataLoader( torchvision.datasets.CIFAR10('/data/cifar10', download=True, train=True, transform=t), 
                batch_size=bs, shuffle=True)
dl_valid = DataLoader( torchvision.datasets.CIFAR10('/data/cifar10', download=True, train=False, transform=t), 
                batch_size=bs, shuffle=True)

某种程度上，我在cifar10上的准确性非常低？

1 个答案: