365天深度学习训练营-第P2周：彩色图片识别-CSDN博客

本文链接：https://blog.csdn.net/m0_54827939/article/details/131986887

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

我的环境：

语言环境：Python3.11.2
编译器：PyCharm Community Edition 2022.3
深度学习环境：torch==2.0,torchvision==0.15.1

本次目标：

了解pytorch，CNN

一、前期准备

设置运行设备以及导入数据集。

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
import numpy as np
import torch.nn.functional as F
from torchinfo import summary

device = torch.device("cpu")

train_ds = torchvision.datasets.CIFAR10('data',train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_ds = torchvision.datasets.CIFAR10('data',train=False,transform=torchvision.transforms.ToTensor(),download=True)

batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds,batch_size=batch_size,shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds,batch_size=batch_size)

imgs,labels=next(iter(train_dl))
print(imgs.shape)

'''
torch.Size([32, 3, 32, 32])
'''

device()表示将模型加载到指定设备上，如果使用GPU则为“cuda”。（CPU可以不设置，设置时注意应使用照代码中的小写，大写的“CPU”会报错）

可视化数据。

plt.figure(figsize=(20,5))
for i,images in enumerate(imgs[:20]):
    npimg = np.squeeze(images.numpy())
    plt.subplot(2,10,i+1)
    plt.imshow(npimg,cmap=plt.cm.binary)
    plt.axis('off')
plt.show()

二、构建简单的CNN网络

在之前的学习中已经对CNN网络的组成有所了解，本次使用pytorch构建CNN网络

num_classes=10

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1=nn.Conv2d(3,64,kernel_size=3)
        self.pool1=nn.MaxPool2d(kernel_size=2)
        self.conv2=nn.Conv2d(64,64,kernel_size=3)
        self.pool2=nn.MaxPool2d(kernel_size=2)
        self.conv3=nn.Conv2d(64,128,kernel_size=3)
        self.pool3=nn.MaxPool2d(kernel_size=2)

        self.fc1 = nn.Linear(512,256)
        self.fc2 = nn.Linear(256,num_classes)

    def forward(self,x):
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))
        x = self.pool3(F.relu(self.conv3(x)))
        x = torch.flatten(x, start_dim=1)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x
model = Model().to(device)
summary(model)

这里使用了函数的方法构建网络。

卷积核的参数为输入图像的通道数、卷积参数的通道数和卷积核的大小。nn.Linear()为连接层，这里的512是因为在池化层3时图片被处理成了2*2*128的张量，转换为一维则为128*2*2=512。

三、训练模型

设置超参数并编写训练函数以及测试函数。

loss_fn = nn.CrossEntropyLoss()
learn_rate = 1e-4
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)

def train(dataloader,model,loss_fn,optimizer):
    size = len(dataloader.dataset)
    num_batchs = len(dataloader)
    train_loss, train_acc = 0, 0
    for X,y in dataloader:
        X,y = X.to(device),y.to(device)
        pred=model(X)
        loss=loss_fn(pred,y)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        train_acc+=(pred.argmax(1)==y).type(torch.float).sum().item()
        train_loss+=loss.item()
    train_acc /= size
    train_loss /= num_batchs

    return train_acc,train_loss

def test(dataloader,model,loss_fn):
    size=len(dataloader.dataset)
    num_batchs=len(dataloader)
    test_loss,test_acc=0,0

    with torch.no_grad():
        for imgs,target in dataloader:
            imgs,target=imgs.to(device),target.to(device)

            target_pred = model(imgs)
            loss=loss_fn(target_pred,target)
            test_loss+=loss.item()
            test_acc+=(target_pred.argmax(1)==target).type(torch.float).sum().item()

    test_acc /= size
    test_loss /= num_batchs

    return test_acc,test_loss

在训练函数中：

1.optimizer.zero_grad()：遍历模型中的全部参数，清空上一次梯度记录。

2.loss.backward()：自动计算梯度值，以便获得损失函数。

3.optimizer.step()：执行一次优化步骤，通过梯度下降法更新参数的值。

4.loss_fn()：损失函数，用于衡量预测结果与真实标签之间的差异。

正式训练。

epochs=10
train_loss=[]
train_acc=[]
test_loss=[]
test_acc=[]

for epoch in range(epochs):
    model.train()
    epoch_train_acc,epoch_train_loss= train(train_dl,model,loss_fn,opt)
    model.eval()
    epoch_test_acc,epoch_test_loss=test(test_dl,model, loss_fn)
    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)

    template = ('Epoch:{:2d},Train_acc:{:.1f}%,Train_loss:{:.3f},Test_acc:{:.1f}%,Test_loss:{:.3f}')
    print(template.format(epoch+1,epoch_train_acc,epoch_train_loss,epoch_test_acc,epoch_test_loss))
print('Done')

四、结果可视化

epochs_range = range(epochs)

plt.figure(figsize=(12,3))
plt.subplot(1,2,1)
plt.plot(epochs_range,train_acc,label='Training Accuracy')
plt.plot(epochs_range,test_acc,label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1,2,2)
plt.plot(epochs_range,train_loss,label='Training Loss')
plt.plot(epochs_range,test_loss,label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()