利用老师发的感应电机红外图像数据集，通过卷积神经网络实现图像的分类，同时运行出效果图
python 版本:3.11
pip install -r requirements.txt
python cnn.py
-
在机器学习中有两种主要的方法，一种是监督学习，一种是无监督学习
-
本次实验中我们分别采用这两种方法来实现图像的多分类问题，无监督学习方面采用
K-Means聚类分析，而监督学习采用卷积神经网络CNN以及支持向量机SVM来进行
-
将图片转换成张量，放到高纬度坐标系里求笛卡尔距离，不断更新每个簇（
cluster）的中心，最终分好的类就是给定的cluster的数量 -
其属于无监督学习，朴素的
K-Means不引入网络，分好的；类效果如图：
- 可以明显地看出分的类并没有理想中的这么好，但是整体是把11个类别都分出来了
-
首先划分好不同训练集测试集比例的数据集，然后通过
export_train_label.py和export_test_label.py打上标签，形成需要的txt文件，做好数据的预处理 -
利用方向梯度直方图
HOG来提取特征，由于该测试集主要是依据颜色判别，所以灰度处理的效果不好，所以我们采用了rgb格式的处理 -
依照相应流程，特区特征、训练模型，然后做模型的评估，保存相关结果进
results文件夹中，计算损失、准确率、精确率和召回率，相关情况如图：
- 可以看出，效果比无监督学习要好，且在训练集和测试集之比为8:2的时候效果最好
-
本项目主要是基于
Pytorch框架进行卷积神经网络训练模型，版本为2.3.0 -
首先进行数据处理，打上相应的标签。将369张图像进行测试训练二八分，分别存在
Dataset/train和Dataset/test下，然后根据类别各自命名，通过名字来实现手动分类，以下是分类的一些说明图：
-
然后由于图像数量较少，这里做了一些数据增强，在
load_data中对图像做了随机的水平和垂直翻转，同时对三个颜色通道都做了归一化处理，然后将处理好的数据导入神经网络中 -
卷积神经网络的核心部分主要分为三个，我们设计了三个卷积层和三个全连接层，同时池化层的规格是2x2，每次实现的时候都用激活函数
relu做激活，最后一层全连接函数不用激活 -
另外，我们也设置了随机种子，来保证结果的可重复性；设置的
device变量也可以自动检测运行机器有没有合适的GPU，如果有则使用GPU运行，否则使用CPU -
最后实现训练函数和测试函数，将学习率设置为0.001，训练1000轮，同时画出损失函数和准确率函数的曲线，如图：
-
可以看到整体曲线非常符合曲线函数，同时到最后，损失趋近于0，且准确率趋近于100%
-
一些反思：根据我们现有对模型训练的理解，损失接近0和准确率达到100%是非常非常少见的事情，然后我们下来查阅了相关资料发现我们所用的数据集数量确实太少，所以是有可能达到这种非常理想的情况的
-
由于一般模型训练都是对训练集和测试集八二分，所以在保证学习率和训练轮次的情况下，我们做了一个训练集测试集分别是五五分、六四分、七三分、八二分、九一分的实现，进行改进升级
-
同时，由上述的训练和测试结果可以看到，曲线虽然有整体趋势，但是并不光滑，中间有几次比较大的跳动，所以我们也对曲线的绘制进行了平滑处理，也给图像上的曲线不同颜色打上标签，进行损失和准确率的对比，平滑处理我们主要采用了五种方法，分别对比一下：
-
我们也增加性能指标来评估模型，主要包括 “轮次-损失值 / 准确率 / 精确率 / 召回率” 的图像，以及 “召回率 / 精确率” 的图像
简单平均移动
指数平均移动
高斯滤波平滑
中位数滤波平滑
局部加权回归平滑
最后根据图像分析，结合平滑程度和整体趋势，可以看出高斯滤波平滑的效果最好
最后根据数据集的样本数量以及训练集与测试集比例的不同，综合可视化的图像及其性能来分析，可以明显看出训练测试比例为9:1的时候效果最好，和7:3的最后的精确率、准确率和召回率都收敛于1，8:2次之，而5:5和6:4效果偏弱一些，但是整体都是呈现出曲线函数的趋势，且最后收敛
另外，我们也给出不同训练集测试集比例下的 Recall-Precision 图像：
Recall-Precision 图像围成的面积越大，表示这个类别分类效果越好
通过分别使用 K-Means , SVM 和 CNN 三种方式来实现该多分类问题，我们可以清楚看到监督学习的效果要好于无监督学习；而传统的监督学习算法 SVM 的效果，比不上深度学习的卷积神经网络
Lin Xiaoyi, Tang Jiajun, Wang Zhen, Chen Guanrui, Wang Jing