- 🍨 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()
五、总结
本周学习复习巩固了上周的学习内容,同样是通过torchvision.datasets模块获取数据;通过函数形式定义模型并编译模型内部的优化器、损失函数等。复习了CNN网络各层操作计算。