upload code

2-数据处理/2.4-作业/readme.md

+# 代码资料
+# 代码资料
+
+train.zip
+
+链接: https://pan.baidu.com/s/1tpzBvQsleRTaCJuJqopQzw?pwd=gdqa 
+
+提取码: gdqa 
+

2-数据处理/2.4-作业/作业讲解.md

+# 数据部分作业：
+# 数据部分作业：
+参照课上讲的代码，对猫狗分类数据集进行训练集和验证集的划分（9:1），并给出此数据集的dataset和dataloader代码。最终输出形式：获取一个批次的数据...
+
+批次形状: 图像 torch.Size([32, 3, 224, 224]), 标签 torch.Size([32])。 
\ No newline at end of file

2-数据处理/2.4-作业/答案/train.py

+import os
+import os
+import random
+import numpy as np
+import matplotlib
+matplotlib.use('Agg')  
+import matplotlib.pyplot as plt
+import torch
+from torch.utils.data import Dataset, DataLoader, random_split
+from torchvision import transforms
+from PIL import Image
+from pathlib import Path
+from tqdm import tqdm
+import os
+# 修复 OpenMP 冲突
+os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
+
+# 设置随机种子确保可重复性
+random.seed(42)
+np.random.seed(42)
+torch.manual_seed(42)
+
+device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+use_pin_memory = device.type == 'cuda'
+
+class CatDogDataset(Dataset):
+    """猫狗分类自定义数据集类"""
+    def __init__(self, data_dir, file_list, transform=None):
+        """
+        初始化数据集
+        
+        参数:
+            data_dir: 数据目录路径
+            file_list: 包含文件名的列表
+            transform: 数据预处理变换
+        """
+        self.data_dir = data_dir
+        self.file_list = file_list
+        self.transform = transform
+        self.class_to_idx = {'cat': 0, 'dog': 1}  # 类别到索引的映射
+        
+    def __len__(self):
+        """返回数据集大小"""
+        return len(self.file_list)
+    
+    def __getitem__(self, idx):
+        """获取单个样本"""
+        filename = self.file_list[idx]
+        img_path = os.path.join(self.data_dir, filename)
+        
+        # 打开图像文件
+        image = Image.open(img_path).convert('RGB')
+        
+        # 根据文件名确定标签 (cat.*.jpg 或 dog.*.jpg)
+        label = 0 if filename.startswith('cat') else 1
+        
+        # 应用变换
+        if self.transform:
+            image = self.transform(image)
+            
+        return image, label
+
+def get_file_list(data_dir):
+    """获取数据目录中所有图像文件的列表"""
+    return [f for f in os.listdir(data_dir) if f.endswith(('.jpg', '.jpeg', '.png'))]
+
+def split_dataset(file_list, train_ratio=0.9):
+    """划分数据集为训练集和验证集"""
+    random.shuffle(file_list)
+    split_idx = int(len(file_list) * train_ratio)
+    train_files = file_list[:split_idx]
+    val_files = file_list[split_idx:]
+    return train_files, val_files
+
+def visualize_batch(images, labels, save_path='batch_visualization.png'):
+    """可视化一个批次的图像和标签"""
+    # 反归一化图像
+    mean = np.array([0.485, 0.456, 0.406])
+    std = np.array([0.229, 0.224, 0.225])
+    images = images.numpy().transpose((0, 2, 3, 1))
+    images = std * images + mean
+    images = np.clip(images, 0, 1)
+    
+    # 创建子图
+    batch_size = images.shape[0]
+    fig, axes = plt.subplots(4, 8, figsize=(20, 10))
+    axes = axes.flatten()
+    
+    for i in range(batch_size):
+        # 显示图像
+        ax = axes[i]
+        ax.imshow(images[i])
+        ax.axis('off')
+        
+        # 添加标签
+        label = 'Cat' if labels[i] == 0 else 'Dog'
+        ax.set_title(label, fontsize=12)
+    
+    # 调整布局并保存
+    plt.tight_layout()
+    plt.savefig(save_path, dpi=150, bbox_inches='tight')
+    plt.close()
+    print(f"批量可视化结果已保存至: {save_path}")
+
+def main():
+    # 设置路径和参数
+    DATA_DIR = 'train'  # 数据集目录
+    BATCH_SIZE = 32     # 批次大小
+    IMAGE_SIZE = 224    # 图像大小
+    
+    # 创建输出目录
+    Path('output').mkdir(exist_ok=True)
+    
+    # 1. 获取文件列表
+    print("获取文件列表...")
+    all_files = get_file_list(DATA_DIR)
+    print(f"找到 {len(all_files)} 张图片")
+    
+    # 2. 划分数据集
+    print("划分数据集 (9:1)...")
+    train_files, val_files = split_dataset(all_files, train_ratio=0.9)
+    print(f"训练集大小: {len(train_files)} 张图片")
+    print(f"验证集大小: {len(val_files)} 张图片")
+    
+    # 3. 定义数据预处理
+    train_transform = transforms.Compose([
+        transforms.RandomResizedCrop(IMAGE_SIZE),
+        transforms.RandomHorizontalFlip(),
+        transforms.RandomRotation(15),
+        transforms.ToTensor(),
+        transforms.Normalize(mean=[0.485, 0.456, 0.406], 
+                             std=[0.229, 0.224, 0.225])
+    ])
+    
+    val_transform = transforms.Compose([
+        transforms.Resize(256),
+        transforms.CenterCrop(IMAGE_SIZE),
+        transforms.ToTensor(),
+        transforms.Normalize(mean=[0.485, 0.456, 0.406], 
+                             std=[0.229, 0.224, 0.225])
+    ])
+    
+    # 4. 创建数据集
+    print("创建数据集...")
+    train_dataset = CatDogDataset(DATA_DIR, train_files, transform=train_transform)
+    val_dataset = CatDogDataset(DATA_DIR, val_files, transform=val_transform)
+    
+    # 5. 创建数据加载器
+    print("创建数据加载器...")
+    train_loader = DataLoader(
+        train_dataset,
+        batch_size=BATCH_SIZE,
+        shuffle=True,
+        num_workers=4,
+        pin_memory=use_pin_memory
+    )
+    
+    val_loader = DataLoader(
+        val_dataset,
+        batch_size=BATCH_SIZE,
+        shuffle=False,
+        num_workers=2,
+        pin_memory=use_pin_memory
+    )
+    
+    # 6. 获取一个批次的数据并可视化
+    print("获取一个批次的数据...")
+    images, labels = next(iter(train_loader))
+    print(f"批次形状: 图像 {images.shape}, 标签 {labels.shape}")
+    
+    # 7. 可视化并保存结果
+    print("可视化批次数据...")
+    visualize_batch(images, labels, save_path='output/batch_visualization.png')
+    
+    # 8. 保存划分信息
+    with open('output/dataset_split.txt', 'w') as f:
+        f.write(f"总样本数: {len(all_files)}\n")
+        f.write(f"训练集大小: {len(train_files)} ({len(train_files)/len(all_files):.1%})\n")
+        f.write(f"验证集大小: {len(val_files)} ({len(val_files)/len(all_files):.1%})\n")
+        f.write("\n前10个训练样本:\n")
+        for file in train_files[:10]:
+            f.write(f"{file}\n")
+        f.write("\n前10个验证样本:\n")
+        for file in val_files[:10]:
+            f.write(f"{file}\n")
+    
+    print("数据集划分信息已保存至: output/dataset_split.txt")
+    print("处理完成!")
+
+if __name__ == '__main__':
+    main()
\ No newline at end of file

3-算法讲解/3.1 3.2-图像分类（上下）/readme.md

+# 代码资料
+# 代码资料
+
+COVID_Classification.zip
+
+链接: https://pan.baidu.com/s/1XCtGt-NH2b8-b5otUa8LPw?pwd=yrv9
+
+提取码: yrv9 
+
+

3-算法讲解/3.2-图像分类（下）/.gitkeep

--- "a/3-\347\256\227\346\263\225\350\256\262\350\247\243/3.2-\345\233\276\345\203\217\345\210\206\347\261\273\357\274\210\344\270\213\357\274\211/.gitkeep"
+++ /dev/null