1. 修改预训练模型
在实验中需要更改最后一层,使用此方法便可得到。
注意,如果最后一层为Sequential
层,则此方法会删去整个Sequential
层的内容。
self.model = torchvision.models.vgg19_bn(weights=torchvision.models.VGG19_BN_Weights.IMAGENET1K_V1)
self.model = nn.Sequential(*list(self.model.features.children())[:-1])
2. 关于torchsummary
库
通常用法如下所示
from torchsummary import summary
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Image_Net(params=params).to(device)
summary(model, input_size=(3, 224, 224))
3.关于torch.cdist
函数
torch.cdist
用于计算x1
与x2
之间,行方向上每个向量之间的距离。
torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')
如果x1
的形状为B×P×M
,并且x2
的形状为B×R×M
,则输出结果的形状为B×P×R
。
官方文档地址:Pytorch
官方案例:
>>> a = torch.tensor([[0.9041, 0.0196], [-0.3108, -2.4423], [-0.4821, 1.059]])
>>> a
tensor([[ 0.9041, 0.0196],
[-0.3108, -2.4423],
[-0.4821, 1.0590]])
>>> b = torch.tensor([[-2.1763, -0.4713], [-0.6986, 1.3702]])
>>> b
tensor([[-2.1763, -0.4713],
[-0.6986, 1.3702]])
>>> torch.cdist(a, b, p=2)
tensor([[3.1193, 2.0959],
[2.7138, 3.8322],
[2.2830, 0.3791]])
// 3.1193 = sqrt((0.9041-(-2.1763))^^2 + (0.0196-(-0.4713))^^2)
4.关于torch.cuda.amp.autocast()
与torch.cuda.amp.GradScaler
在 autocast
的上下文中,PyTorch
会自动将部分计算转换为低精度(如半精度浮点数)进行计算,以减少内存占用和计算开销。同时,它会确保在需要高精度计算的地方仍然使用高精度(如单精度浮点数)进行计算,以保持计算的准确性。
GradScaler
是一个用于梯度缩放的工具,用于解决混合精度训练中梯度下溢或溢出的问题。在混合精度训练中,由于使用了低精度计算,梯度的值可能会变得非常小或非常大。GradScaler
可以自动缩放梯度的值,以保持在一个合适的范围内,从而避免梯度下溢或溢出的问题。
二者用法如下所示
from torch.cuda.amp import GradScaler
# 创建模型和优化器
model = MyModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
# 创建 GradScaler 对象
scaler = GradScaler()
# 在训练循环中使用 GradScaler
for inputs, labels in dataloader:
optimizer.zero_grad()
with autocast():
outputs = model(inputs)
loss = loss_fn(outputs, labels)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()