模型的训练套路

1. 模型训练步骤

1. 创建网络模型

class myModule(nn.Module):
    def __init__(self):
        super(myModule, self).__init__()
        self.module1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),

            Flatten(),  # 展平
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self,x):
        x = self.module1(x)
        return x
# 测试 模型是否正常 运行
if __name__ == '__main__':
    mymodel  = myModule()
    input =  torch.ones((64,3,32,32))
    output = mymodel(input)
    print(output.shape)

2. 加载数据集

train_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                          download=True)

# 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 训练数据集的长度为：50000
# 测试数据集的长度为：10000
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

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

3. 导入网络模型

from myModel import *  # 导入自己的模型
# 创建网络模型
myModel = myModule()

4. 创建损失函数与优化器

# 损失函数  -- 因为是 图像分类，故使用该函数
loos_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(myModel.parameters(),lr=learning_rate)

5. 设置一些训练参数

# 设置训练网络的一些参数
total_train_step = 0
# 记录测试的次数
total_test = 0
# 训练的轮数
epoch = 10

# 添加 tensorboard
writer = SummaryWriter("logs")

6. 使用训练集训练

 # 训练步骤开始
    myModel.train()
    for data in train_dataloader:
        imgs, targets = data
        outputs = myModel(imgs)
        loss = loos_fn(outputs,targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数: {}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss",loss.item(),total_train_step)

7. 使用测试集测试

 # 测试步骤开始
    myModel.eval()
    total_test_loss = 0   # 整体测试损失值
    total_accuracy = 0    # 总体 正确率
    with torch.no_grad():   #  在 测试时，一定要这样 用
        for data in test_dataloader:
            imgs, targets = data
            outputs = myModel(imgs)
            loss = loos_fn(outputs,targets)
            total_test_loss = total_test_loss + loss.item()

            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy  = total_accuracy + accuracy

    print("整体测试集上的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,i)
    writer.add_scalar("test_acc",total_accuracy/test_data_size,i)

8. 每轮训练之后保存模型

    # 保存 模型的参数数据
    torch.save(myModel.state_dict(),"myModel_训练后得到的参数_{}.pth".format(i))
    print("模型已经成功保存")

2. 注意事项

1. 注意使用优化器优化模型时的操作
2. 注意 获取测试结果的 正确率 acc
3. 在 训练之前 应该使用：myModel.train()， 在测试之前使用：myModel.eval()
4. 在 测试时 使用：

   with torch.no_grad():   #  在 测试时，一定要这样 ，避免梯度

5. 如果使用的 GPU 上训练的模型，最后想要在 cpu 上运行，则：

        torch.load("vgg_saveModel2.pth",map_location=torch.device("cpu"))

3. 全部代码

myModel.py

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential

class myModule(nn.Module):
    def __init__(self):
        super(myModule, self).__init__()
        self.module1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),

            Flatten(),  # 展平
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self,x):
        x = self.module1(x)
        return x

# 测试 模型是否正常 运行
if __name__ == '__main__':
    mymodel  = myModule()
    input =  torch.ones((64,3,32,32))
    output = mymodel(input)
    print(output.shape)

训练与测试文件

import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from myModel import *  # 导入自己的模型

train_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                          download=True)

# 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 训练数据集的长度为：50000
# 测试数据集的长度为：10000
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

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

# 创建网络模型
myModel = myModule()

# 损失函数  -- 因为是 图像分类，故使用该函数
loos_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(myModel.parameters(),lr=learning_rate)

# 设置训练网络的一些参数
total_train_step = 0
# 记录测试的次数
total_test = 0
# 训练的轮数
epoch = 10

# 添加 tensorboard
writer = SummaryWriter("logs")

for i in range(epoch):
    print("---------第 {} 轮训练开始---------".format(i+1))

    # 训练步骤开始
    myModel.train()
    for data in train_dataloader:
        imgs, targets = data
        outputs = myModel(imgs)
        loss = loos_fn(outputs,targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数: {}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss",loss.item(),total_train_step)

    # 测试步骤开始
    myModel.eval()
    total_test_loss = 0   # 整体测试损失值
    total_accuracy = 0    # 总体 正确率
    with torch.no_grad():   #  在 测试时，一定要这样 用
        for data in test_dataloader:
            imgs, targets = data
            outputs = myModel(imgs)
            loss = loos_fn(outputs,targets)
            total_test_loss = total_test_loss + loss.item()

            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy  = total_accuracy + accuracy

    print("整体测试集上的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,i)
    writer.add_scalar("test_acc",total_accuracy/test_data_size,i)


    # 保存 模型的参数数据
    torch.save(myModel.state_dict(),"myModel_训练后得到的参数_{}.pth".format(i))
    print("模型已经成功保存")
writer.close()

4. 实验结果

 

5. 使用 CUDA

可以使用 CUDA 的数据：

        1. 网络模型

        2. 损失函数

        3. dataloader 加载后的数据

1. 方式一

 在对应的 地方，添加该代码：

if torch.cuda.is_available():
    myModel = myModel.cuda()

if torch.cuda.is_available():
    loos_fn = loos_fn.cuda()

# 在测试集与训练集中加载该数据

if torch.cuda.is_available():
     imgs = imgs.cuda()
     targets = targets.cuda()

2. 方式二

       1. 网络模型     --- 无需重新赋值

        2. 损失函数       --- 无需重新赋值

        3. dataloader 加载后的数据   --- 需重新赋值

# 定义 使用的 设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")


#    --- 无需重新赋值
myModel.to(device)
loos_fn.to(device)


#--- 需重新赋值
imgs = imgs.to(device)
targets = targets.to(device)

 3. 使用 cuda 后的版本

import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from myModel import *  # 导入自己的模型

# 定义 使用的 设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

train_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("../TorchVersion/dataset",train=False,transform=torchvision.transforms.ToTensor(),
                                          download=True)

# 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 训练数据集的长度为：50000
# 测试数据集的长度为：10000
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

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

class myModule(nn.Module):
    def __init__(self):
        super(myModule, self).__init__()
        self.module1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),

            Flatten(),  # 展平
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self,x):
        x = self.module1(x)
        return x
# 创建网络模型
myModel = myModule()
myModel.to(device)

# 损失函数  -- 因为是 图像分类，故使用该函数
loos_fn = nn.CrossEntropyLoss()
loos_fn.to(device)

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(myModel.parameters(),lr=learning_rate)

# 设置训练网络的一些参数
total_train_step = 0
# 记录测试的次数
total_test = 0
# 训练的轮数
epoch = 10

# 添加 tensorboard
writer = SummaryWriter("logs")

for i in range(epoch):
    print("---------第 {} 轮训练开始---------".format(i+1))

    # 训练步骤开始
    myModel.train()
    for data in train_dataloader:
        imgs, targets = data

        imgs = imgs.to(device)
        targets = targets.to(device)

        outputs = myModel(imgs)
        loss = loos_fn(outputs,targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数: {}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss",loss.item(),total_train_step)

    # 测试步骤开始
    myModel.eval()
    total_test_loss = 0   # 整体测试损失值
    total_accuracy = 0    # 总体 正确率
    with torch.no_grad():   #  在 测试时，一定要这样 用
        for data in test_dataloader:
            imgs, targets = data

            imgs = imgs.to(device)
            targets = targets.to(device)

            outputs = myModel(imgs)
            loss = loos_fn(outputs,targets)
            total_test_loss = total_test_loss + loss.item()

            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy  = total_accuracy + accuracy

    print("整体测试集上的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,i)
    writer.add_scalar("test_acc",total_accuracy/test_data_size,i)


    # 保存 模型的参数数据
    torch.save(myModel.state_dict(),"myModel_训练后得到的参数_{}.pth".format(i))
    print("模型已经成功保存")
writer.close()