一、train.py
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from model import *
# 准备数据集---训练数据集&测试数据集
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)
# 训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
lemon = Lemon()
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器
# learning_rate = 0.01 #学习率
learning_rate = 1e-2 #(1x(10)^(-2))
optimizer = torch.optim.SGD(lemon.parameters(),lr=learning_rate)
# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练轮数
epoch = 10
for i in range(epoch):
print("---------第{}轮训练开始---------".format(i+1))
#训练步骤开始
for data in train_dataloader:
imgs,targets = data
output = lemon(imgs) #得到输出后,看与真实的误差(target)是多少
loss = loss_fn(output,targets) #计算损失
# 优化器优化模型
optimizer.zero_grad()#每次优化前,梯度清零
loss.backward()#反向传播
optimizer.step()#优化
total_train_step = total_train_step + 1
print("训练次数:{},Loss:{}".format(total_train_step,loss.item()))#若为tensor数据类型,打印时即为tensor数据类型,若加上item(),那么会把tensor数据类型转化为真实的数字
#搭建神经网络(10分类) 一般可以分出去写成一个model模块,再将其引入进去
# class Lemon(nn.Module):
# def __init__(self):
# super(Lemon,self).__init__()
# self.model =nn.Squential(
# nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,stride=1,padding=2),
# nn.MaxPool2d(kernel_size=2),
# nn.Conv2d(in_channels=32,out_channels=32,kernel_size=5,stride=1,padding=2),
# nn.MaxPool2d(kernel_size=2),
# nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,stride=1,padding=2),
# nn.MaxPool2d(kernel_size=2),
# nn.Flatten(), #64*4*4
# nn.Linear(in_features=64*4*4,out_features=64),
# nn.Linear(in_features=64,out_features=10)
# )
# def forward(self,x):
# x = self.model(x)
# return x
二、model.py
import torch
from torch import nn
class Lemon(nn.Module):
def __init__(self):
super(Lemon, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
nn.MaxPool2d(kernel_size=2),
nn.Flatten(), # 64*4*4
nn.Linear(in_features=64 * 4 * 4, out_features=64),
nn.Linear(in_features=64, out_features=10)
)
def forward(self,x):
x = self.model(x)
return x
if __name__ == '__main__':
lemon = Lemon()
input = torch.ones((64,3,32,32)) #batch-size为64 通道为3 尺寸为32*32
output = lemon(input)
print(output.shape)
三、如何知道模型有没有训练好
每一轮训练完成后使用测试集计算loss
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import *
# 准备数据集---训练数据集&测试数据集
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)
# 训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
lemon = Lemon()
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器
# learning_rate = 0.01 #学习率
learning_rate = 1e-2 #(1x(10)^(-2))
optimizer = torch.optim.SGD(lemon.parameters(),lr=learning_rate)
# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练轮数
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
for data in train_dataloader:
imgs,targets = data
output = lemon(imgs) #得到输出后,看与真实的误差(target)是多少
loss = loss_fn(output,targets) #计算损失
# 优化器优化模型
optimizer.zero_grad()#每次优化前,梯度清零
loss.backward()#反向传播
optimizer.step()#优化
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()))#若为tensor数据类型,打印时即为tensor数据类型,若加上item(),那么会把tensor数据类型转化为真实的数字
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始 【with里面的代码没有梯度,没有调优】
# 测试时需要求出整个测试数据集上的loss
total_test_loss = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
outputs = lemon(imgs)
loss = loss_fn(outputs,targets)
total_test_loss = total_test_loss + loss.item()
print("整体测试集上的Loss:{}".format(total_test_loss))
writer.add_scalar("test_loss",total_test_loss,total_test_step)
total_test_step = total_test_step + 1
# 保存每一轮训练的模型
torch.save(lemon,"lemon_{}.pth".format(i))
print("模型已保存")
writer.close()
测试时,对于分类问题,通常会计算其正确率作为模型的衡量指标。
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import *
# 准备数据集---训练数据集&测试数据集
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)
# 训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
lemon = Lemon()
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器
# learning_rate = 0.01 #学习率
learning_rate = 1e-2 #(1x(10)^(-2))
optimizer = torch.optim.SGD(lemon.parameters(),lr=learning_rate)
# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练轮数
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
for data in train_dataloader:
imgs,targets = data
output = lemon(imgs) #得到输出后,看与真实的误差(target)是多少
loss = loss_fn(output,targets) #计算损失
# 优化器优化模型
optimizer.zero_grad()#每次优化前,梯度清零
loss.backward()#反向传播
optimizer.step()#优化
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()))#若为tensor数据类型,打印时即为tensor数据类型,若加上item(),那么会把tensor数据类型转化为真实的数字
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始 【with里面的代码没有梯度,没有调优】
# 测试时需要求出整个测试数据集上的loss
total_test_loss = 0
total_accuracy = 0 #整体的正确率
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
outputs = lemon(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
# 保存每一轮训练的模型
torch.save(lemon,"lemon_{}.pth".format(i))
print("模型已保存")
writer.close()
四、注意点
lemon.train()与lemon.eval()在含Dropout层或BatchNorm层的时候会有效果,若有这两个层,一定要调用。
五、利用GPU训练(一)
我们可以通过对网络模型,数据,损失函数这三种变量调用 .cuda() 来在GPU上进行训练。
也可以在google的colab上进行训练
六、利用GPU训练(二)
使用.to(device)来指定训练的设备。
device = torch.device("cpu") # 使用cpu训练
device = torch.device("cuda") # 使用gpu训练
device = torch.device("cuda:0") # 当电脑中有多张显卡时,使用第一张显卡
device = torch.device("cuda:1") # 当电脑中有多张显卡时,使用第二张显卡
#单卡推荐
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")