01.18/19 pytorch学习（完整的模型训练套路（二））

昨天的模型已经差不多了，现在对这个模型做一些优化

模型的保存

torch.save(tudui,"./tudui_train/tudui_{}.pth".format(i))

模型的正确率

原理:

加入有两个输入，
argmax（0 or 1）可以直接找到行最大值（1）或列最大值（0）

代码:

 accuracy = (output.argmax(1) == targets).sum()
 total_test_accuracy = total_test_accuracy + accuracy
 print("整体测试集上的正确率{}".format(total_test_accuracy/test_data_size))

设置网络状态

设置网络状态为训练状态
tudui.train()#tudui是你的网络模型实例
设置网络状态为验证状态
tudui.eval()

但我们发现，前面我们没有对代码设置状态也不会有问题。这是为什么呢？

看下面官方文档：

这仅对某些模块有任何影响。如果他们受到影响，例如e.g. Dropout, BatchNorm, etc.等，请参阅特定模块的文档，了解他们在training/evaluation模式下的行为详情

也就是只对一些层产生影响，这些层在我们的网络中暂时还没有

源代码

import torch
import torchvision.datasets
import torch.nn as nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model1 = Sequential(Conv2d(3,32,5,padding=2)
                                 , MaxPool2d(2)
                                , Conv2d(32,32,5,padding=2)
                                , MaxPool2d(2)
                                , Conv2d(32,64,5,padding=2)
                                , MaxPool2d(2)
                                , Flatten()
                                , Linear(1024,64)
                                , Linear(64,10))
    def forward(self,x):
        x = self.model1(x)
        return x


train_data = torchvision.datasets.CIFAR10(root="./dataset2", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="./dataset2", train=False, transform=torchvision.transforms.ToTensor(),download=True)

#length 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加载数据集
train_data = DataLoader(train_data,batch_size=64)
test_data = 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 = 1e-2
optimizer = torch.optim.SGD(tudui.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

writer = SummaryWriter("./logs")

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_data:
        img,targets = data
        output = tudui(img)
        loss = loss_fn(output,targets)
        writer.add_scalar("train", loss.item(),total_train_step)
        #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))
    total_test_loss = 0
    total_test_accuracy = 0
    #测试步骤开始:
    torch.eval()

    #因为我们的梯度是当模型有参数后自动计算的，这里是测试数据，不需要对网络进行优化，所以把自动计算梯度关了
    with torch.no_grad():
        for data in test_data:
            img,targets = data
            output = tudui(img)
            loss = loss_fn(output, targets)
            writer.add_scalar("test", loss.item(), total_test_step)
            total_test_loss = total_test_loss + loss.item()
            total_test_step = total_test_step + 1
            accuracy = (output.argmax(1) == targets).sum()
            total_test_accuracy = total_test_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_test_accuracy/test_data_size))
    #保存每一轮训练模型,但不会自动创建tudui_train文件夹，需要手动创建
    torch.save(tudui,"./tudui_train/tudui_{}.pth".format(i))
writer.close()