基于VGG-16的检测并清除杂草

目录

1 简介：检测并清除杂草

        1.1 问题描述：

        1.2 预期解决方案：

        1.3 数据集：

        1.4 图像展示：

2 数据预处理

        2.1 数据集结构

        2.2 部分数据分析

        2.3 提取数据集

        2.4 数据增强

        2.5 构建数据集

3 使用VGG-16识别杂草图片

        3.1 经典CNN

        3.3 VGG-16

        3.4 修改后的VGG-16网络结构

4 在GPU上进行训练

        4.1 参数设置

        4.2 训练模型

        4.3 查看训练时间及F1分数

        4.4 保存模型并进行测试

5 将模型移植到CPU上

        5.1 创建VGG-16模型

        5.2 直接在CPU上进行训练

6 使用oneAPI组件优化

        6.1 使用Intel Extension for PyTorch优化

        6.2 保存优化后模型

        6.3 Intel® Neural Compressor 量化模型 

        6.4 使用量化后模型进行推理

        6.5 使用课程提供的数据集进行测试

7 总结

---

1 简介：检测并清除杂草

        1.1 问题描述：

        杂草是农业经营中不受欢迎的入侵者，它们通过窃取营养、水、土地和其他关键资源来破坏种植，这些入侵者会导致产量下降和资源部署效率低下。一种已知的方法是使用杀虫剂来清除杂草，但杀虫剂会给人类带来健康风险。我们的目标是利用计算机视觉技术可以自动检测杂草的存在，开发一种只在杂草上而不是在作物上喷洒农药的系统，并使用针对性的修复技术将其从田地中清除，从而最小化杂草对环境的负面影响。

        1.2 预期解决方案：

        我们期待您将其部署到模拟的生产环境中——这里推理时间和二分类准确度（F1分数）将作为评分的主要依据。

        1.3 数据集：

        https://filerepo.idzcn.com/hack2023/Weed_Detection5a431d7.zip

        1.4 图像展示：

        

2 数据预处理

        2.1 数据集结构

        

数据集结构

        由上图可知，数据集由agri_0开头的文件组成，其中一个植物包含两个文件，分别是jpeg的图像和txt的文档，jpeg的文件存储植物的图像，而txt文档中的第一个数据表示该植物的种类，0表示农作物，1表示杂草

农作物文件

        2.2 部分数据分析

        为了分析数据，截取了数据集中的随机3个农作物样本和3个杂草样本，分别展示其图像

import cv2

train_dir = r'task1Data/data' # 图片路径

crop_imgs = [] # 存放农作物的图像路径
weed_imgs = [] # 存放杂草的图像路径
Data = [] # 存放所有数据，用于后续分类

# 通过txt文件的第一个数字分辨是农作物还是杂草，获取第一个数字
for file in os.listdir(train_dir):
    if file.endswith(".txt"):
        file_path = os.path.join(train_dir, file)
        with open(file_path, 'r') as f:
            data = f.readline()
            root, ext = os.path.splitext(file_path)
            new_file_path = root + ".jpeg"
            # 如果标签为0，即该图片是农作物
            if(data[0][0] == '0'):
                # 农作物的路径
                crop_imgs.append(new_file_path)
            else:
                # 杂草的路径
                weed_imgs.append(new_file_path)
            # 图片和标签对应
            Data.append((new_file_path, int(data[0][0])))

# 随机不重样的抽选3个农作物，3个杂草
select_CROP = np.random.choice(crop_imgs, 3, replace = False)
select_WEED = np.random.choice(weed_imgs, 3, replace = False)

# 使用pit打印出来，大小为20*10英寸
fig = plt.figure(figsize = (20,10))
for i in range(6):
    if i < 3:
        fp = f'{select_CROP[i]}'
        label = '0'
    else:
        fp = f'{select_WEED[i-3]}'
        label = '1'
    ax = fig.add_subplot(2, 3, i+1)#两行三列
    
    # to plot without rescaling, remove target_size
    fn = cv2.imread(fp) # 加载图片
    fn_gray = cv2.cvtColor(fn, cv2.COLOR_BGR2GRAY) # 将彩色图像转换为灰度图像
    plt.imshow(fn, cmap='Greys_r') # 显示灰度反转后的图像
    plt.title(label) # 设置label标题
    plt.axis('off') # 关闭坐标轴
plt.show()

# 总的训练集样本数
print(f'农作物数量为： {len(crop_imgs)}')
print(f'杂草数量为： {len(weed_imgs)}')

        

        可以看到农作物的总数据量为634，杂草的总数据量为666 

        2.3 提取数据集

        因为要使用VGG-16来进行训练，所以这里需要对数据集进行处理，首先是把原始的数据集分开，分成三部分，分别按照0.7：0.2：0.1的比例分为train，val，test数据集，然后再根据是农作物还是杂草，分别在三个数据集下又进行分类，分为crop，weed数据集

# 数据集路径
data_dir = 'task1Data/data'

# 将数据集分成3部分, train, val, test
for divide in ['train', 'val', 'test']:
    divide_dir = os.path.join(data_dir, divide)
    # 每部分的数据集都包含两部分，农作物和杂草
    for kinds in ['crop', 'weed']:
        kinds_dir = os.path.join(divide_dir, kinds)
        os.makedirs(kinds_dir, exist_ok = True) # exist_ok为true表示当目标目录已经存在时，函数不会引发错误

# 将train, val, test按比例分别划分为0.7， 0.2， 0.1
train_data, testVal_data = train_test_split(Data, test_size = 0.3, random_state = 42)
test_data, val_data = train_test_split(testVal_data, test_size = 0.2, random_state = 42)

# 将train_data中的文件分类，并复制到train/crop or weed下
for file in train_data:
    if (file[1] == 0): # 农作物
        shutil.copy(file[0], 'task1Data/data/train/crop')
    else:
        shutil.copy(file[0], 'task1Data/data/train/weed')

# 将val_data中的文件分类，并复制到val/crop or weed下
for file in val_data:
    if (file[1] == 0):
        shutil.copy(file[0], 'task1Data/data/val/crop')
    else:
        shutil.copy(file[0], 'task1Data/data/val/weed')
        
# 将test_data中的文件分类，并复制到test/crop or weed下
for file in test_data:
    if (file[1] == 0):
        shutil.copy(file[0], 'task1Data/data/test/crop')
    else:
        shutil.copy(file[0], 'task1Data/data/test/weed')

        可以看到data目录下已经有了3个数据集

         每个数据集下分别由两个crop和weed文件夹

         每个crop和weed文件夹都已经随机放好了植物图片

        然后自定义一个数据集，将图片和标签联系起来

# 创建自定义数据集
class SelfDataset(Dataset):
    def __init__(self, root_dir, transform=None):
        self.root_dir = root_dir
        self.transform = transform
        self.classes = ['crop', 'weed']
        self.data = self.load_data()

    def load_data(self):
        data = []
        for class_idx, class_name in enumerate(self.classes): # 每次迭代返回标签和class_name
            class_path = os.path.join(self.root_dir, class_name)
            for file_name in os.listdir(class_path):
                file_path = os.path.join(class_path, file_name)
                if os.path.isfile(file_path) and file_name.lower().endswith('.jpeg'):
                    data.append((file_path, class_idx))
        return data

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        img_path, label = self.data[idx]
        img = Image.open(img_path).convert('RGB')
        if self.transform:
            img = self.transform(img)
        return img, label

        2.4 数据增强

        进行数据增强，能够在训练模型时，增加数据集的大小和多样性，从而提高模型的泛化能力

# 数据增强
transform = transforms.Compose([
    transforms.RandomResizedCrop(64), # 随机裁剪为64*64像素大小
    transforms.RandomHorizontalFlip(), # 随机翻转转换
    transforms.ToTensor(), # 转换为PyTorch Tensor，有助于模型的输入与PyTorch的期望格式匹配
])

        2.5 构建数据集

        对三个数据集进行了数据增强，而DataLoader用于批量加载数据，并在train_loader中启用随机打乱，能够在模型的训练时，提高模型的泛化能力

# 创建数据集实例
train_dataset = SelfDataset(root_dir=train_dataset_path, transform=transform)
test_dataset = SelfDataset(root_dir=test_dataset_path, transform=transform)
val_dataset = SelfDataset(root_dir=val_dataset_path, transform=transform)

# 创建 DataLoader
batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False)

3 使用VGG-16识别杂草图片

        3.1 经典CNN

        经典CNN是指卷积神经网络（Convolutional Neural Networks，CNN），这是一种包含卷积计算且具有深度结构的前馈神经网络。CNN是深度学习领域中非常重要的算法之一，尤其在计算机视觉领域有广泛应用，如人脸识别、视频追踪、遥感解译等。CNN的经典结构包括LeNet-5、AlexNet、VGG、GoogleLeNet、ResNet和SENet等。

        CNN的基本结构包括输入层、卷积层、池化层、全连接层和输出层。卷积层和池化层是CNN的核心部分，卷积层通过卷积运算提取输入数据中的局部特征，池化层则对特征图进行下采样，减少数据的维度和参数数量，提高模型的泛化能力。全连接层则将前面层的输出作为输入，对每个样本进行分类。

        3.3 VGG-16

        VGG-16是一个深度学习的卷积神经网络模型，由牛津大学的Visual Geometry Group（VGG）提出，网络中包含16个层次。VGG-16模型的特点是具有连续的卷积层，每一层都使用3x3的卷积核进行卷积操作，这样可以更有效地提取图像中的特征。同时，该模型还采用了Inception模块，将不同尺度的特征进行融合，提高了模型的识别能力。

        3.4 修改后的VGG-16网络结构

        传统的VGG-16网络的全连接层的输出类别是1000的大小，而本项目只有两类作物，农作物和杂草，所以将网络改成了2分类问题并对一部分网络进行了优化。

vgg16_model = models.vgg16(pretrained=True)

# 如果需要微调，可以解冻最后几层
for param in vgg16_model.features.parameters():
    param.requires_grad = False

# 修改分类层
num_features = vgg16_model.classifier[6].in_features
vgg16_model.classifier[6] = nn.Sequential(
    nn.Linear(num_features, 512),
    nn.ReLU(),
    nn.Dropout(0.5),
    nn.Linear(512, 2)
)

4 在GPU上进行训练

        4.1 参数设置

        nn.CrossEntropyLoss()是PyTorch中的一个损失函数，它用于多分类问题。

        使用Adam优化器，获取了VGG-16模型的参数，学习率为0.001，权重衰减为0.0001

        使用 ReduceLROnPlateau 调度器，用于动态调整学习率

criterion = nn.CrossEntropyLoss() # 定义了一个损失函数，用于衡量模型的预测与真实标签之间的差异
optimizer = optim.Adam(vgg16_model.parameters(), lr=0.001, weight_decay=1e-4) # 定义了一个优化器，用于更新模型的权重，设置权重衰减为0.0001


# 添加学习率调度器
# 使用 ReduceLROnPlateau 调度器，当验证损失在一定时间内不再下降时，它会降低学习率
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', factor=0.1, patience=3, verbose=True)


# 训练参数
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
vgg16_model.to(device)

        下面是VGG的结构：

        4.2 训练模型

        在gpu上进行50次的训练，使用了之前定义的三个数据集

1. 训练集：用于训练模型，通过调整模型参数来拟合训练数据。通过优化算法不断更新模型的参数，使得模型能够学习到数据的内在规律和模式。
2. 验证集：用于验证模型在训练过程中的表现，以及选择最优模型。在每个训练阶段，模型会使用验证集进行评估，选择验证集上表现最好的模型作为最优模型。这有助于避免过拟合和欠拟合问题。
3. 测试集：用于评估模型的泛化能力，即模型对新数据的适应能力。在测试阶段，模型不会对测试集进行任何修改或优化，而是直接使用训练好的参数进行预测，以评估模型的性能。

# 训练循环
num_epochs = 0
consecutive_f1_count = 0

while num_epochs < 50:
    print(f'第{num_epochs+1}次训练开始了')
    vgg16_model.train()  # 设置模型为训练模式
    train_loss = 0.0
    for inputs, labels in train_loader:
        inputs, labels = inputs.to(device), labels.to(device)

        # 将数据传递给模型
        outputs = vgg16_model(inputs)

        # 计算损失
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        train_loss += loss.item()

    # 在每个 epoch 结束时进行验证
    val_loss = 0.0
    with torch.no_grad():
        for inputs, labels in val_loader:
            inputs, labels = inputs.to(device), labels.to(device)

            # 在验证集上进行推理，可根据需要添加评估代码
            val_outputs = vgg16_model(inputs)
            val_loss += criterion(val_outputs, labels).item()

    # 计算平均训练损失
    avg_train_loss = train_loss / len(train_loader)

    # 计算平均验证损失
    avg_val_loss = val_loss / len(val_loader)

    # 打印训练过程中的损失和验证损失
    print(f'Epoch [{num_epochs+1}], 第{num_epochs+1}轮：训练集损失: {avg_train_loss:.4f}, 验证集损失: {avg_val_loss:.4f}')

    # 在模型训练完后，使用测试集进行最终评估
    vgg16_model.eval()
    all_predictions = []
    all_labels = []
    start_time = time.time()  # 记录开始时间
    with torch.no_grad():
        for inputs, labels in test_loader:
            inputs, labels = inputs.to(device), labels.to(device)

            # 在测试集上进行推理
            outputs = vgg16_model(inputs)

            # 将预测结果和真实标签保存
            _, predicted = torch.max(outputs, 1)
            all_predictions.extend(predicted.cpu().numpy())
            all_labels.extend(labels.cpu().numpy())

    end_time = time.time()  # 记录结束时间
    elapsed_time = end_time - start_time
    print(f'测试集用的时间为: {elapsed_time:.2f} seconds')

    # 计算F1分数
    f1 = f1_score(all_labels, all_predictions, average='binary')  # 适用于二分类问题

    # 打印每轮的测试F1分数
    print(f'第{num_epochs+1}轮的测试F1分数: {f1:.4f}')


    # 调整学习率
    scheduler.step(f1)

    # 增加训练次数
    num_epochs += 1

        4.3 查看训练时间及F1分数

        4.4 保存模型并进行测试

        保存模型然后进行测试并打印图像 

        首先保存模型

# 保存模型
torch.save(vgg16_model.state_dict(), 'vgg16_gpu.pth')

# 打印保存成功的消息
print("模型已保存为 vgg16_gpu.pth")

         保存成功

        然后进行测试

import matplotlib.pyplot as plt
import numpy as np

# 选择一张 test_loader 中的图片
sample_image, true_label = next(iter(test_loader))

# 将图片传递给模型进行预测
sample_image = sample_image.to(device)
with torch.no_grad():
    model_output = vgg16_model(sample_image)

# 获取预测结果
_, predicted_label = torch.max(model_output, 1)

# 转换为 NumPy 数组
sample_image = sample_image.cpu().numpy()[0]  # 将数据从 GPU 移回 CPU 并取出第一张图片
predicted_label = predicted_label[0].item()

true_label = true_label[0].item()  # 直接获取标量值

# 获取类别标签
class_labels = ['crop', 'weed']

# 显示图像
plt.imshow(np.transpose(sample_image, (1, 2, 0)))  # 转置图片的维度顺序
plt.title(f'TRUE LABEL IS: {class_labels[true_label]}, PREDICT LABEL IS: {class_labels[predicted_label]}')
plt.axis('off')
plt.show()

 

5 将模型移植到CPU上

        5.1 创建VGG-16模型

        这里将GPU训练的模型保存到了vgg16_gpu.pth中，在CPU上进行加载。

class CustomVGG16(nn.Module):
    def __init__(self):
        super(CustomVGG16, self).__init__()
        self.vgg16_model = models.vgg16(pretrained=True)
        for param in self.vgg16_model.features.parameters():
            param.requires_grad = False
        num_features = self.vgg16_model.classifier[6].in_features
        self.vgg16_model.classifier[6] = nn.Sequential(
            nn.Linear(num_features, 512),
            nn.ReLU(),
            nn.Dropout(0.5),
            nn.Linear(512, 2)
        )

    def forward(self, x):
        return self.vgg16_model(x)

# 创建 CustomVGG16 模型实例
vgg16_model = CustomVGG16()


# 加载权重
vgg16_model.vgg16_model.load_state_dict(torch.load('vgg16_gpu.pth', map_location=torch.device('cpu')))

        5.2 直接在CPU上进行训练

vgg16_model.eval()

# Assuming you have a DataLoader for the test dataset (test_loader)
all_predictions = []
all_labels = []
start_time = time.time()

with torch.no_grad():
    for inputs, labels in test_loader:
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = vgg16_model(inputs)
        _, predicted = torch.max(outputs, 1)
        all_predictions.extend(predicted.cpu().numpy())
        all_labels.extend(labels.cpu().numpy())

end_time = time.time()  # 记录结束时间
elapsed_time = end_time - start_time
print(f'测试集用的时间为: {elapsed_time:.2f} seconds')
f1 = f1_score(all_labels, all_predictions, average='binary')  # 适用于二分类问题
print(f'F1分数为: {f1:.4f}')

        可以看到时间还是比较快的，运行需要2.74s

        F1分数为0.9603 

6 使用oneAPI组件优化

        6.1 使用Intel Extension for PyTorch优化

        这里使用Intel Extension for PyTorch来进行模型的优化

# 将模型移动到CPU
device = torch.device('cpu')
vgg16_model.to(device)

# 重新构建优化器
optimizer = optim.Adam(vgg16_model.parameters(), lr=0.001, weight_decay=1e-4)

# 使用Intel Extension for PyTorch进行优化
vgg16_model, optimizer = ipex.optimize(model=vgg16_model, optimizer=optimizer, dtype=torch.float32)

        然后进行测试，可以看到时间还是比直接运行快了0.3s，但是可能因为本来运行时间就比较短，所以优化的效果不太明显

        6.2 保存优化后模型

# 保存模型参数
torch.save(vgg16_model.state_dict(), 'vgg16_optimized_gpu.pth')
 
# 加载模型参数
loaded_model = CustomVGG16()
loaded_model.load_state_dict(torch.load('vgg16_optimized_gpu.pth'))

        6.3 Intel® Neural Compressor 量化模型 

        检查之前保存的优化后的模型是否存在

import os
import torch
 
# 检查文件是否存在
assert os.path.exists("./vgg16_optimized_gpu.pth"), "文件不存在"
 
# 尝试加载模型
model = torch.load("./vgg16_optimized_gpu.pth")
print("模型加载成功")

        加载完成后以准确度为评估函数进行量化

from neural_compressor.config import PostTrainingQuantConfig, AccuracyCriterion
from neural_compressor import quantization
import os
 
# 加载模型
model = CustomVGG16()
model.load_state_dict(torch.load('vgg16_optimized_gpu.pth'))
model.to('cpu')  # 将模型移动到 CPU
model.eval()
 
# 定义评估函数
def eval_func(model):
    with torch.no_grad():
        y_true = []
        y_pred = []
 
        for inputs, labels in train_loader:
            inputs = inputs.to('cpu')
            labels = labels.to('cpu')
            preds_probs = model(inputs)
            preds_class = torch.argmax(preds_probs, dim=-1)
            y_true.extend(labels.numpy())
            y_pred.extend(preds_class.numpy())
 
        return accuracy_score(y_true, y_pred)
 
# 配置量化参数
conf = PostTrainingQuantConfig(backend='ipex',  # 使用 Intel PyTorch Extension
                               accuracy_criterion=AccuracyCriterion(higher_is_better=True, 
                                                                   criterion='relative',  
                                                                   tolerable_loss=0.01))
 
# 执行量化
q_model = quantization.fit(model,
                           conf,
                           calib_dataloader=train_loader,
                           eval_func=eval_func)
 
# 保存量化模型
quantized_model_path = './quantized_models'
if not os.path.exists(quantized_model_path):
    os.makedirs(quantized_model_path)
 
q_model.save(quantized_model_path)

        运行完成后可得到以下输出结果 

 ​​​​​​

        查看量化后的模型，分别为pt文件和json文件 ，然后可以查看量化后模型的大小为130.2MB，而量化之前的模型大小为520.2MB，量化之后缩小了接近4倍，空间占有率大大减小，量化的效果还是非常好的

        6.4 使用量化后模型进行推理

        加载模型

import torch
import json
 
from neural_compressor import quantization
 
# 指定量化模型的路径
quantized_model_path = './quantized_models'
 
# 加载 Qt 模型和 JSON 配置
vgg16_model_path = f'{quantized_model_path}/best_model.pt'
json_config_path = f'{quantized_model_path}/best_configure.json'
 
# 加载 Qt 模型
vgg16_model = torch.jit.load(vgg16_model_path, map_location='cpu')
 
# 加载 JSON 配置
with open(json_config_path, 'r') as json_file:
    json_config = json.load(json_file)

        进行推理

import torch
from sklearn.metrics import f1_score
import time

# 假设 test_loader 是你的测试数据加载器
# 请确保它返回 (inputs, labels) 的形式


# 将模型设置为评估模式
vgg16_model.eval()

# 初始化变量用于存储真实标签和预测标签
y_true = []
y_pred = []

# 开始推理
start_time = time.time()

# 设置 batch_size
batch_size = 64

# 使用 DataLoader 时设置 batch_size
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 在推理时处理每个批次


with torch.no_grad():
    for inputs, labels in test_loader:
        # 将输入数据移动到 CPU（如果尚未在 CPU 上）
        inputs = inputs.to('cpu')
        labels = labels.to('cpu')

        # 获取模型预测
        preds_probs = vgg16_model(inputs)
        preds_class = torch.argmax(preds_probs, dim=-1)

        # 扩展真实标签和预测标签列表
        y_true.extend(labels.numpy())
        y_pred.extend(preds_class.numpy())

# 计算 F1 分数
f1 = f1_score(y_true, y_pred, average='weighted')

# 计算推理时间
inference_time = time.time() - start_time

# 打印结果
print(f"F1 Score: {f1}")
print(f"Inference Time: {inference_time} seconds")

        运行结果如下： 

        6.5 使用课程提供的数据集进行测试

import torch
from sklearn.metrics import f1_score
import time
 
# 假设 test_loader 是你的测试数据加载器
# 请确保它返回 (inputs, labels) 的形式
 
# 数据集放在testData文件夹里
test_dataset_path = './testData'

# 将测试集分类，分为crop和weed
for kinds in ['crop', 'weed']:
    kinds_dir = os.path.join('testData', kinds)
    os.makedirs(kinds_dir, exist_ok = True)

Data = [] # 存放数据集里全部数据
# 通过txt文件的第一个数字分辨是农作物还是杂草，获取第一个数字
for file in os.listdir('testData'):
    if file.endswith(".txt"):
        file_path = os.path.join(test_dataset_path, file)
        with open(file_path, 'r') as f:
            data = f.readline()
            root, ext = os.path.splitext(file_path)
            new_file_path = root + ".jpeg"
            # 图片和标签一一对应
            Data.append((new_file_path, int(data[0][0])))
            
# 将农作物和杂草分别复制到对应文件夹里
for file in Data:
    if (file[1] == 0):
        shutil.copy(file[0], 'testData/crop')
    else:
        shutil.copy(file[0], 'testData/weed')
        
# 数据增强
transform = transforms.Compose([
    transforms.RandomResizedCrop(64),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
])

test_dataset = SelfDataset(root_dir=test_dataset_path, transform=transform)

# 将模型设置为评估模式
vgg16_model.eval()
 
# 初始化变量用于存储真实标签和预测标签
y_true = []
y_pred = []
 
# 开始推理
start_time = time.time()
 
# 设置 batch_size
batch_size = 64
 
# 使用 DataLoader 时设置 batch_size
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
 
# 在推理时处理每个批次
 
 
with torch.no_grad():
    for inputs, labels in test_loader:
        # 将输入数据移动到 CPU（如果尚未在 CPU 上）
        inputs = inputs.to('cpu')
        labels = labels.to('cpu')
 
        # 获取模型预测
        preds_probs = vgg16_model(inputs)
        preds_class = torch.argmax(preds_probs, dim=-1)
 
        # 扩展真实标签和预测标签列表
        y_true.extend(labels.numpy())
        y_pred.extend(preds_class.numpy())
 
# 计算 F1 分数
f1 = f1_score(y_true, y_pred, average='weighted')
 
# 计算推理时间
inference_time = time.time() - start_time
 
# 打印结果
print(f"测试集用的时间为: {inference_time} seconds")
print(f"F1分数: {f1}")
 

        最后运行结果为

7 总结

        在使用oneAPI的优化组件以后，经过多次测试，推理的时间下降了0.3s左右，考虑到本身运行的时间就很短，且数据集也不算很大，所以优化后的效果不明显。如果之后还有其它机会，可以拿到更大的数据集进行测试，我相信Intel Extension for PyTorch的优化效果会更加明显。

        然后，在使用量化工具以后，模型的空间占用大幅减小，且模型的精确度F1一直稳定在0.95左右。证明了oneAPI优秀的模型压缩能力，在保证模型精确度F1值的基础上还能够缩小模型的规模。