pytorch部署squential代码，土堆课程介绍。

最新推荐文章于 2024-10-02 16:46:15 发布

d_etach

最新推荐文章于 2024-10-02 16:46:15 发布

阅读量88

点赞数

文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/d_etach/article/details/131437553

版权

该代码示例展示了使用PyTorch训练和测试CIFAR10数据集的过程。它导入了必要的库，加载数据，定义了数据加载器，创建了网络模型，设置了损失函数和优化器，并进行了多轮训练，同时使用TensorBoard进行可视化。

摘要由CSDN通过智能技术生成

**下面展示一些 内联代码片。

// 代码介绍;

// An highlighted block
import torchvision
from torch.utils.tensorboard import SummaryWriter

from model import *

from torch.utils.data import DataLoader

train_data = torchvision.datasets.CIFAR10(root="..data",train=True,transform=torchvision.transforms.ToTensor(),
                                        download=True)

test_data = torchvision.datasets.CIFAR10(root="..data",train=False,transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size = 10,训练集的长度为：10
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来加在数据
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

#创建网络模型
tudui = Tudui()

# 损失函数
loss_fn=nn.CrossEntropyLoss()

# 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
# 记录训练次数
total_train_step =0
# 记录测试次数
total_test_step = 0
# 训练的轮数
epoch =10


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


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
        outputs=tudui(imgs)
        loss = loss_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
    tudui.eval()
    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()
            accuracy=(outputs.argmax(1) == targets).sum()
            total_accuracy=total_accuracy+accuracy

    print("整体测试集合上的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,total_test_step)
#    writer.add_scalar(("test_accuracy",total_accuracy/test_data_size,total_test_step))
    total_test_step = total_test_step + 1


    torch.save(tudui,"tudui_{}.pth".format(i))
    # torch.save(tudui.state_dict())
    print(("模型已保存"))
writer.close()



```**