完整的模型训练套路

gxyqn626

已于 2023-02-23 10:38:15 修改

阅读量114

点赞数

文章标签：深度学习神经网络机器学习 Powered by 金山文档

于 2023-02-23 10:37:20 首次发布

本文链接：https://blog.csdn.net/gxyqn626/article/details/129169484

版权

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")