代码借鉴-很好的入门资源推荐(11条消息) 「深度学习一遍过」必修1:Windows10 下 Pytorch 的安装与环境配置_荣仔的博客-CSDN博客
在原博主的代码上,进一步进行注释~
from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
# Training settings 训练设置
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
# 训练中 输入的batch大小
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
# 测试中 输入的batch大小
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
# add_argument函数的metavar参数,用来控制部分命令行参数的显示,
# 注意:它只是影响部分参数的显示信息,不影响代码内部获取命令行参数的对象。
# https://www.pynote.net/archives/2119?unapproved=629&moderation-hash=e1bce4a4bdabcdb2687b5b291219a8b8#comment
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 10)')
# epochs循环10次
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
help='learning rate (default: 0.01)')
# Lr 学习效率
parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
help='SGD momentum (default: 0.5)')
# 保持速度,不断用梯度对其进行更新。利用摩擦系数使得速度慢慢减小,直到停在极小值点。相当于梯度的平滑移动。
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
# disables CUDA training
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
# seed()方法改变随机数生成器的种子,可以在调用其他随机模块函数之前调用此函数
# https://www.jianshu.com/p/551a95290645
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
# 记录训练状态时,batch等待的数量
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()
torch.manual_seed(args.seed) # 为CPU设置种子用于生成随机数,以使得结果是确定的
if args.cuda:
torch.cuda.manual_seed(args.seed) # 为当前GPU设置随机种子;如果使用多个GPU,应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。
kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
"""加载数据。组合数据集和采样器,提供数据上的单或多进程迭代器
参数:
dataset:Dataset类型,从其中加载数据
batch_size:int,可选。每个batch加载多少样本
shuffle:bool,可选。为True时表示每个epoch都对数据进行洗牌
sampler:Sampler,可选。从数据集中采样样本的方法。
num_workers:int,可选。加载数据时使用多少子进程。默认值为0,表示在主进程中加载数据。
collate_fn:callable,可选。
pin_memory:bool,可选
drop_last:bool,可选。True表示如果最后剩下不完全的batch,丢弃。False表示不丢弃。
"""
# 训练为真
# pytorch 中的 transformer.compose()函数
# torchvision.transforms是pytorch中的图像预处理包。
# 一般用Compose把多个步骤整合到一起
# ToTensor:convert 转换 a PIL image to tensor (H*W*C) in range [0,255] to a torch.Tensor(C*H*W) in the range [0.0,1.0]
# PIL-python Image Library-python第三方处理软件 https://blog.csdn.net/leemboy/article/details/83792729
# Normalize:Normalized an tensor image with mean and standard deviation (正则化 image-通过标准差和平方差 )
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=args.batch_size, shuffle=True, **kwargs)
# shuffle=True用于打乱数据集,每次都会以不同的顺序返回。
# *args就是传递一个可变参数列表给函数实参,这个参数列表的数目未知,甚至长度可以为0。
# **kwargs是将一个可变的关键字参数的字典传给函数实参,同样参数列表长度可以为0或为其他值。
# 训练为假
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=args.batch_size, shuffle=True, **kwargs)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5) # 输入和输出通道数分别为1和10
self.conv2 = nn.Conv2d(10, 20, kernel_size=5) # 输入和输出通道数分别为10和20
self.conv2_drop = nn.Dropout2d() # 随机选择输入的信道,将其设为0
self.fc1 = nn.Linear(320, 50) # 输入的向量大小和输出的大小分别为320和50
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = F.relu(F.max_pool2d(self.conv1(x), 2)) # conv->max_pool->relu
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2)) # conv->dropout->max_pool->relu
x = x.view(-1, 320)
x = F.relu(self.fc1(x)) # fc->relu
x = F.dropout(x, training=self.training) # dropout
x = self.fc2(x)
return F.log_softmax(x)
model = Net()
if args.cuda:
model.cuda() # 将所有的模型参数移动到GPU上
# 优化器optimizer-
# 用来优化梯度下降用的,为了防止求得的最优解是局部最优解而不是全局最优解
# 配置变量:learningRate(梯度下降速率),learningRateDecay(梯度下降速率的衰减),weightDecay(权重衰减),momentum(动量 or 冲量)等等
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
def train(epoch):
model.train()
# 把module设成training模式,对Dropout和BatchNorm有影响
for batch_idx, (data, target) in enumerate(train_loader):
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target)
# Variable类对Tensor对象进行封装,会保存该张量对应的梯度,以及对生成该张量的函数grad_fn的一个引用。
# 如果该张量是用户创建的,grad_fn是None,称这样的Variable为叶子Variable。
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target) # 负log似然损失
loss.backward()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
def test(epoch):
model.eval() # 把module设置为评估模式,只对Dropout和BatchNorm模块有影响
test_loss = 0
correct = 0
for data, target in test_loader:
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data, volatile=True), Variable(target)
output = model(data)
test_loss += F.nll_loss(output, target).item() # Variable.data
pred = output.data.max(1)[1]
# get the index of the max log-probability 最大对数概率
correct += pred.eq(target.data).cpu().sum()
test_loss = test_loss
test_loss /= len(test_loader)
# loss function already averages over batch size
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
if __name__ == '__main__':
for epoch in range(1, args.epochs + 1):
#rain(epoch)
test(epoch)