《人工智能通識》實驗任務(wù)報告實驗章節(jié)：學(xué)生姓名： 專業(yè)班級： 學(xué)號： 機械工業(yè)出版社《第十三章人工智能在航天領(lǐng)域的應(yīng)用》課程實驗姓名學(xué)號班級實驗地點指導(dǎo)教師時間實驗任務(wù)1、任務(wù)名稱利用LuoJiaNe機器學(xué)習(xí)框架實現(xiàn)遙感影像場景分類。2、任務(wù)目標（1）掌握LuoJiaNET深度學(xué)習(xí)的基本流程。（2）學(xué)會如何利用LuoJiaNet深度學(xué)習(xí)框架創(chuàng)建VGG網(wǎng)絡(luò)模型。（3）通過遙感影像場景分類的整個過程，認識到人工智能為航天領(lǐng)域帶來的便利。3、具體任務(wù)內(nèi)容（1）下載AID數(shù)據(jù)集并對數(shù)據(jù)進行一些相關(guān)處理；（2）按照VGG的網(wǎng)絡(luò)結(jié)構(gòu)，創(chuàng)建VGG網(wǎng)絡(luò)模型；（3）定義損失函數(shù)和優(yōu)化器；（4）訓(xùn)練及保存模型；（5）加載模型，并使用生成的模型進行單個圖片數(shù)據(jù)的分類預(yù)測。4、成果要求（1）實驗報告一份，按照實驗報告模板撰寫，詳細描述實驗過程、遇到的問題及解決方案、實驗結(jié)果等。（2）完整的程序代碼一份。（3）最終的分類預(yù)測結(jié)果一份，保存為CSV文件。實驗報告1、實驗任務(wù)利用LuoJiaNe機器學(xué)習(xí)框架實現(xiàn)遙感影像場景分類。2、實驗環(huán)境軟件環(huán)境：操作系統(tǒng)：Windows10Python版本：3.7.5-3.7.6主要依賴庫：LuoJiaNET（安裝步驟可參考：37/luojiaNet/install/docs）3、任務(wù)完成及步驟【分解任務(wù)1】：數(shù)據(jù)準備。實驗步驟：下載AID數(shù)據(jù)集(37/luojiaNet/tutorial/quickstart)，解壓后按下方目錄結(jié)構(gòu)放置：實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗【分解任務(wù)2】：數(shù)據(jù)處理。實驗步驟：（1）導(dǎo)入LuoJiaNET中l(wèi)uojianet_ms.dataset和其他相應(yīng)的模塊。importosfromPILimportImage,ImageFilefromluojianet_monimportdtypeasmstypeimportluojianet_ms.datasetasdeimportluojianet_ms.dataset.transforms.c_transformsasC2importluojianet_ms.dataset.vision.c_transformsasvisionimportluojianet_ms.dataset.vision.c_transformsasC定義函數(shù)create_dataset來創(chuàng)建數(shù)據(jù)集；調(diào)用ImageFolderDataset接口；對數(shù)據(jù)進行增強操作，為之后進行map映射做準備；使用map映射函數(shù)，將數(shù)據(jù)操作應(yīng)用到數(shù)據(jù)集；進行數(shù)據(jù)shuffle、batch操作。defcreate_dataset(dataset_path,do_train,batch_size=16):ds=de.ImageFolderDataset(dataset_path,num_parallel_workers=8,shuffle=True)ifdo_train:trans=[C.RandomCropDecodeResize(224),C.RandomHorizontalFlip(prob=0.5),C.RandomColorAdjust(brightness=0.4,contrast=0.4,saturation=0.4)]else:trans=[C.Decode(),C.Resize(255),C.CenterCrop(224)]trans+=[C.Normalize(mean=[127.5,127.5,127.5],std=[127.5,127.5,127.5]),C.HWC2CHW(),C2.TypeCast(mstype.float32)]type_cast_op=C2.TypeCast(32)ds=ds.map(input_columns="image",operations=trans,num_parallel_workers=8)ds=ds.map(input_columns="label",operations=type_cast_op,num_parallel_workers=8)ds=ds.batch(batch_size,drop_remainder=True)returnds實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗?！痉纸馊蝿?wù)3】：創(chuàng)建VGG網(wǎng)絡(luò)模型。實驗步驟：使用LuoJiaNet定義神經(jīng)網(wǎng)絡(luò)需要繼承l(wèi)uojianet_ms.nn.Module，所有算子都繼承自Module類；神經(jīng)網(wǎng)絡(luò)的各層需要預(yù)先在__init__方法中定義，然后通過定義forward方法來完成神經(jīng)網(wǎng)絡(luò)的構(gòu)造。importluojianet_msasmsfromluojianet_msimportops,nnfromluojianet_mon.initializerimportNormalfromluojianet_ms.opsimportoperationsasPcfg={'A':[64,'M',128,'M',256,256,'M',512,512,'M',512,512,'M'],'B':[64,64,'M',128,128,'M',256,256,'M',512,512,'M',512,512,'M'],'D':[64,64,'M',128,128,'M',256,256,256,'M',512,512,512,'M',512,512,512,'M'],'E':[64,64,'M',128,128,'M',256,256,256,256,'M',512,512,512,512,'M',512,512,512,512,'M']}classVGG(nn.Module):def__init__(self,features,num_classes=100):super().__init__()self.features=featuresself.classifier=nn.SequentialCell(nn.Dense(512*7*7,4096),nn.ReLU(),nn.Dropout(),nn.Dense(4096,4096),nn.ReLU(),nn.Dropout(),nn.Dense(4096,num_classes))defforward(self,x):output=self.features(x)output=ops.Reshape()(output,(output.shape[0],-1))output=self.classifier(output)returnoutputdefmake_layers(cfg,batch_norm=False):layers=[]input_channel=3forlincfg:ifl=='M':layers+=[nn.MaxPool2d(kernel_size=2,stride=2)]continuelayers+=[nn.Conv2d(input_channel,l,kernel_size=3,padding=1,pad_mode='pad')]ifbatch_norm:layers+=[nn.BatchNorm2d(l)]layers+=[nn.ReLU()]input_channel=lreturnnn.SequentialCell(layers)defvgg11_bn(num_classes):returnVGG(make_layers(cfg['A'],batch_norm=True),num_classes)defvgg13_bn(num_classes):returnVGG(make_layers(cfg['B'],batch_norm=True),num_classes)defvgg16_bn(num_classes):returnVGG(make_layers(cfg['D'],batch_norm=True),num_classes)defvgg19_bn(num_classes):returnVGG(make_layers(cfg['E'],batch_norm=True),num_classes)實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗。總結(jié)xx經(jīng)驗?！痉纸馊蝿?wù)4】：定義損失函數(shù)和優(yōu)化器。實驗步驟：使用交叉熵損失函數(shù)SoftmaxCrossEntropyWithLogits作為損失函數(shù)；使用Momentum作為優(yōu)化器。importluojianet_ms.nnasnnnetwork=vgg16_bn(30)#定義損失函數(shù)net_loss=nn.SoftmaxCrossEntropyWithLogits(sparse=True,reduction='mean')#定義優(yōu)化器函數(shù)net_opt=nn.Momentum(network.trainable_params(),learning_rate=0.01,momentum=0.9)實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗?？偨Y(jié)xx經(jīng)驗?！痉纸馊蝿?wù)5】：訓(xùn)練及保存模型實驗步驟：（1）使用ModelCheckpoint接口用于保存網(wǎng)絡(luò)模型和參數(shù)，以便進行后續(xù)的Fine-tuning（微調(diào)）操作。fromluojianet_ms.train.callbackimportModelCheckpoint,CheckpointConfig#設(shè)置模型保存參數(shù)，模型訓(xùn)練保存參數(shù)的step為100config_ck=CheckpointConfig(save_checkpoint_steps=100,keep_checkpoint_max=10)#應(yīng)用模型保存參數(shù)ckpoint=ModelCheckpoint(prefix="vggnet",directory="./vggnet",config=config_ck)通過LuoJiaNet提供的model.train接口可以方便地進行網(wǎng)絡(luò)的訓(xùn)練，LossMonitor可以監(jiān)控訓(xùn)練過程中l(wèi)oss值的變化。#導(dǎo)入模型訓(xùn)練需要的庫fromluojianet_ms.nnimportAccuracyfromluojianet_ms.train.callbackimportLossMonitorfromluojianet_msimportModel#加載訓(xùn)練數(shù)據(jù)集dataset_path=''dataset_train=create_dataset(dataset_path,do_train=True,batch_size=32)#初始化模型參數(shù)model=Model(network,loss_fn=net_loss,optimizer=net_opt,metrics={'accuracy'})#訓(xùn)練網(wǎng)絡(luò)模型，并保存為vggnet-1_1875.ckpt文件model.train(20,dataset_train,callbacks=[ckpoint,LossMonitor()])通過模型運行測試數(shù)據(jù)集得到的結(jié)果，驗證模型的泛化能力：使用model.eval接口讀入測試數(shù)據(jù)集。使用保存后的模型參數(shù)進行推理。acc=model.eval(dataset_eval)print("{}".format(acc))實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗?？偨Y(jié)xx經(jīng)驗?！痉纸馊蝿?wù)6】：加載模型。實驗步驟：fromluojianet_msimportload_checkpoint,load_param_into_net#加載已經(jīng)保存的用于測試的模型param_dict=load_checkpoint("./vggnet/vggnet-1_1250.ckpt")#加載參數(shù)到網(wǎng)絡(luò)中l(wèi)oad_param_into_net(network,param_dict)實驗結(jié)果：（1）xxxxxx實驗總結(jié)：（1）遇到xx問題，解決方法；總結(jié)xx經(jīng)驗?？偨Y(jié)xx經(jīng)驗。【分解任務(wù)7】：驗證模型。實驗步驟：使用生成的模型進行單個圖片數(shù)據(jù)的分類預(yù)測。importnumpy