Python Pytorch中的图像分类

我在Pytorch的图书馆工作，我想知道

数据扩充应在列车数据集或测试数据集中

我应该在测试数据集中放置多少图像至少我使用了测试数据集中2%的图像

我有21个班级21个人的脸，有评估模式的vggface2数据集，这对于训练和测试数据集来说足够了吗

如何可视化测试数据集中的图像以显示人脸是否匹配 我试过了，但会出现以下错误：

TypeError:图像数据的形状3、160、160无效

图像的形状是：10、3、160、160

dataiter = iter(test_loader)
images, labels = dataiter.next()
# get predictions
preds = np.squeeze(net(images).data.max(1, keepdim=True)[1].numpy())
images = images.numpy()

# plot the images in the batch, along with predicted and true labels
fig = plt.figure(figsize=(25, 4))
for idx in np.arange(batch_size):
    ax = fig.add_subplot(2, batch_size/2, idx+1, xticks=[], yticks=[])
    ax.imshow(np.squeeze(images[idx]), cmap='gray')
    ax.set_title("{} ({})".format(classes[preds[idx]], classes[labels[idx]]),
             color=("green" if preds[idx]==labels[idx] else "red"))

在检测到人脸预测功能后，如何从网络摄像头获取输入人脸？ 但是我不知道如何实现predict\u draw\u bounding\u box函数

---

谢谢你的建议，有很多问题；你可能应该把这些问题分成多个问题。无论如何，我会试着回答一些问题

数据扩充通常应在列车数据集上进行 只有典型的增强包括随机轮换、调整作物大小、， 水平翻转、剪切等。所有这些都只在列车上进行

除此之外，在我的脑海里，我只能想到频道 规范化是您通常应用于这两个方面的唯一增强 培训和测试集。你计算x-x_平均值/西格玛通道 对于数据集中的所有图像

测试数据集中图像的百分比完全是经验性的，取决于实际拥有的图像数量。对于包含一百万张以上图像的非常大的数据集，2%这样的小百分比是可以的。但是，如果您的图像数量在一万、几千甚至更少，最好将20%左右作为测试集

我不明白你的问题

您的图像是形状3、160、160。这是pytorch的nn.Module系统使用的通道优先语法，但在matplotlib中绘制RGB图像需要通道处于最后一个维度，即160160,3。如果图像是形状为10,3160160的一批图像，则执行以下操作：

...
images = images.numpy()
images = images.swapaxes(1,2).swapaxes(2,3)
...

这会将其重塑为10160160,3，而不会损害轴顺序

没有线索

...
images = images.numpy()
images = images.swapaxes(1,2).swapaxes(2,3)
...