毕业设计记录-Pytorch学习-使用预训练好的VGG16网络训练

2021.12.7的记录

照着书把代码打了一遍

训练了10个epoch，可以说是没有啥下降的趋势。有问题。

2021.12.8的记录

检查了很多遍代码之后，发现代码部分有编写错误，输入输出通道数一点要算对。确定代码没有问题后训练，但是为什么它的损失一直是同一个值。我将学习率减小了一百倍，发现损失是在一直减小的。但其实验证精确率已经达到了100%。
个人推断可能是由于网络性能，训练效果只能这样了。由于图片也不是很多，再加上是用的预训练好的特征提取层，用之前的学习率训练一轮直接就达到了局部最小值。

一些代码和函数的理解

nn.CrossEntropyLoss()

这个函数算的是一个step里batch_size张图片的平均损失。
训练部分代码：

        Myvggc.train()
        for step, (b_x, b_y) in enumerate(train_data_loader):
            b_x = b_x.to(device)
            b_y = b_y.to(device)
            output = Myvggc(b_x)
            loss = loss_func(output, b_y)
            print(loss.data)
            pre_lab = torch.argmax(output, 1)
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            train_loss_epoch += loss.item() * b_x.size(0)
            train_corrects += torch.sum(pre_lab == b_y.data)
        train_loss = train_loss_epoch / len(train_data.targets)
        train_acc = train_corrects.double() / len(train_data.targets)
        print("train_loss=%f,train_acc=%f" % (train_loss, train_acc))

也就是这里的 loss为什么要乘以batch_size的原因，然后再相加得到一个epoch的总损失（train_loss_epoch），但最后又除了训练样本数，也就是最后得到的损失（train_loss ）是每一张图像的平均损失。
然后这里的训练集精度就跟吴恩达老师机器学习里教的一样。先将预测到的结果与label对比，算有多少个1（也就是有多少预测对了）然后除以label总个数，就得到了精准度了。
然后画图部分的代码

            image = b_x[ii, :, :, :].numpy().transpose((1, 2, 0))
            image = std * image + mean
            # np.clip(a,a_min,a_max,out=none)该函数的作用是将数组a中的所有数限定到范围a_min和a_max中
            image = np.clip(image, 0, 1)
            plt.imshow(image)

.transpose((1, 2, 0)) 目的是将image的维度变换。原本image经过处理之后的维度是（channel，h，w）经过transpose后变成了（h，w，channel）。为什么要变呢？因为plt.imshow()要求输入的格式是（h，w，channel）