小土堆Pytorch笔记P27、28、29

编程基础很弱，需要机器学习，学习记录，按自己理解写的，希望以后能学懂吧，要是有大神看到还请赐教。

一般来说，网络和代码分开。在模型中引入网络。

# 搭建神经网络
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64 * 4 * 4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x


# 很多人喜欢在这里测试网络正确性
if __name__ == '__main__':
    tudui = Tudui()
    input = torch.ones((64, 3, 32, 32))
    output = tudui(input)
    print(output.shape)

import torch.optim
import torchvision.datasets
from torch.utils.tensorboard import SummaryWriter

from modelCIFAR10 import *
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root='./dataset', train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root='./dataset', train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)
# 看看数据集多大
train_data_size = len(train_data)
test_data_size = len(test_data)
print(train_data_size)
print(test_data_size)

# 加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
tudui = Tudui()

# 创建损失函数
loss_function = nn.CrossEntropyLoss()

# 创建优化器
learning_rate = 0.01
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
total_train_step = 0  # 用这个变量记录训练的次数
total_test_step = 0  # 用这个变量记录测试的次数
# 设置训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("logs")
# 开始写循环
for i in range(epoch):
    print("第{}轮训练开始".format(i + 1))
    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        output = tudui(imgs)
        loss = loss_function(output, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        # 记录训练次数
        total_train_step = total_train_step + 1
        # 不让它每次训练都打印
        if total_train_step % 100 == 0:
            print("训练次数{},损失值{}".format(total_train_step, loss.item()))
            writer.add_scalar("Train Loss", loss.item(), total_train_step)
    # 每轮训练完后在测试集上跑一遍，以评估是否训练好
    '''在测试过程中不需要对模型调优，因为是想测试这个当前模型效果，因此不需要调优'''
    # 测试步骤开始
    total_test_loss = 0
    total_accuracy=0#
    with torch.no_grad():  # 在with内的代码没有梯度,保证不会进行调优
        for data in test_dataloader:
            imgs, targets = data
            outputs = tudui(imgs)
            loss = loss_function(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            total_test_step = total_test_step + 1
            accuracy= (outputs.argmax(1)==targets).sum()#这里没太明白，回头再仔细研究一下
            total_accuracy = total_accuracy+accuracy#
    print("整体测试集loss{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("Test Loss", total_test_loss, total_test_step)
    writer.add_scalar("Test accuracy",total_accuracy/test_data_size,total_test_step)
    #保存每轮训练模型
    torch.save(tudui,"tudui_{}.pth".format(i+1))
    print("模型已保存")
writer.close()

一些小细节：

#有些代码会在训练前输入.train()
#在测试前输入.eval()
...
for i in range(epoch):
    print("第{}轮训练开始".format(i + 1))
    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets = data
        ...
# 仅对一些网络层有作用，如Dropout等

整个流程：

1.准备数据集

2.DataLoader

3.创建网络模型

4.创建损失函数

5.创建优化器

6.设置训练参数

7.设置训练轮数

8.取数据计算误差反向传播优化

9.采用特定方式进行输出展示

10.在一轮完成后或特定步骤中进行测试（注意不用梯度）