利用pytorch进行模型训练

1. 首先需要准备数据集，本次使用的为公开数据集CIFAR10，其次设置好训练集和数据集

#导包
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *

#准备数据集
from torch import nn
from torch.utils.data import DataLoader
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)

2. 使用len函数，返回数据集的图片数量

#长度数据集
train_data_size = len(train_data)
test_data_size = len(test_data)

3. 在print中使用format函数，进行数据格式化，并输出数据集的长度

#如果train_data_size=10,就会输出文本，本质上也是将数据格式化的手段
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))

4. 使用DataLoader函数进行数据集加载和读取功能。此函数块可填写，数据集名称和batch——size大小

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

5. 创建网络模型，以tudui名为例，此网络模型，通过另一个python文件调用而来，调用命令：from xxx import*

tudui = Tudui()

6. 设置损失函数

loss_fn = nn.CrossEntropyLoss()

7. 设置优化器，使用SGD优化器，以下为两种lr损失函数表达方式

# 1e-2=1 x （10）^(-2) = 1/100=0.01
#第一种
# learning_rate = 0.01
#第二种
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

8. 设置训练网络的参数

#记录训练的次数 从0开始
total_train_step = 0
#记录测试的次数
total_test_step = 0
#记录训练的轮数
epoch = 10

9. 添加tensorboard命令，可以使用从功能直观显示损失函数的曲线图，调用方式：运行过后，在terminal控制台输入：tensorboard --logdir=xxx文件

#添加tensorboard
writer = SummaryWriter("../logs_train")

10. 训练开始，使用for循环语句进行循环训练

for i in range(epoch):
    print("-----第{}轮开始-----".format(i+1))
     #训练步骤开始
    # tudui.train()  此模式当模型有Dropout层时，会进行调用，可选择使用

    for data in train_dataloader:
        imgs ,targets = data
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        #优化器优化模型-梯度清零
        optimizer.zero_grad()
        #反向传播
        loss.backward()
        optimizer.step()

        #结束一轮，继续+1训练
        total_train_step = total_train_step +1
        #将训练次数每100次显示一次
        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 )

11. 测试步骤开始

#测试步骤开始

    # tudui.eval() 此模式当模型有Dropout层时，会进行调用，选择使用
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss +loss.item()
            #设置测试集准确性
            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)

        total_test_step = total_test_step + 1


        #保存每一轮数据的文件名
        torch.save(tudui, "tudui_{}.pth".format(i))
        print("模型已保存")

writer.close()

12. 使用GPU进行模型训练

1.使用cuda语句：只可以在模型处、损失函数处、数据处：imgs/targets。这三个位置添加

#模型处
tudui = tudui.cuda()

#损失函数处
loss_fn = loss_fn.cuda()

#数据处
imgs = imgs.cuda()
targets = targets.cuda()

2.添加device和验证语句，选择是否使用gpu进行训练

#两种首部
#第一种
device = torch.device("cuda:0")/device("cuda")
#第二种
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print(device)
#模型处
tudui = tudui.to(device)
#损失函数处
loss_fn = loss_fn.to(device)

#数据处
imgs = imgs.to(device)
targets = targets.to(device)