>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者:[K同学啊](https://mtyjkh.blog.csdn.net/)**
🏡我的环境:
- 语言环境: Python 3.11.7
- 编译器:Pycharm
- 深度学习环境:
-
- torch==1.12.1+cu113
- torchvision==0.13.1+cu113
-
import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"#解决 OpenMP 初始化库的一个错误 import torch import torch.nn as nn#提供了构建神经网络所需的核心功能,包括各种类型的层、损失函数、优化器等 import matplotlib.pyplot as plt import torchvision#处理图像数据,构建模型,以及评估模型性能 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") #导入数据(torchvision.datasets是Pytorch自带的一个数据库,使用其中的MNIST数据集) train_ds = torchvision.datasets.MNIST('data',#数据地址 train=True,#True-训练集,False-测试集 transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor download=True)#如果为True,从互联网上下载数据集,并把数据集放在root目录下 test_ds = torchvision.datasets.MNIST('data', train=False, transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor download=True) batch_size = 32 #每批加载的样本大小(默认值:1) #torch.utils.data.DataLoader是Pytorch自带的一个数据加载器,结合了数据集和取样器,并且可以提供多个线程处理数据集 train_dl = torch.utils.data.DataLoader(train_ds, batch_size=batch_size, shuffle=True)#如果为True,每个epoch重新排列数据。 test_dl = torch.utils.data.DataLoader(test_ds, batch_size=batch_size) imgs, labels = next(iter(train_dl))#train_dl 是一个 PyTorch 数据加载器(DataLoader),用于加载训练数据集。通常情况下,数据加载器会将数据集分成小批量(batches)进行处理 #iter(train_dl) 将数据加载器转换为一个迭代器(iterator),使得我们可以使用 Python 的 next() 函数来逐个访问数据加载器中的元素——遍历 #imgs, labels = ... 这行代码是 Python 的解构赋值语法。它将从 next() 函数返回的元素中提取出两个变量:imgs 和 labels,imgs 变量将包含一个批量的图像数据,而 labels 变量将包含相应的标签数据。这些图像和标签是从训练数据集中提取的 imgs.shape#数据的shape为:[batch_size, channel, height, weight],batch_size为自己设定,channel,height和weight分别是图片的通道数,高度和宽度 import numpy as np # 指定图片大小,图像大小为20宽、5高的绘图(单位为英寸inch) plt.figure(figsize=(20, 5)) for i in range(20): # Iterate over the first 20 images in the batch # 维度缩减 npimg = np.squeeze(imgs[i].numpy())#squeeze()函数的功能是从矩阵shape中,去掉维度为1的。例如一个矩阵是的shape是(5, 1),使用过这个函数后,结果为(5, ) #将 PyTorch 张量转换为 NumPy 数组,然后使用函数去除数组中的单维度。 这是因为在 PyTorch 中,图像数据通常会包含一个批次维度,而numpy函数要求输入的图像是一个普通的二维数组 # 将整个figure分成2行10列,绘制第i+1个子图。 plt.subplot(2, 10, i + 1) plt.imshow(npimg, cmap=plt.cm.binary)#指定了图像的颜色映射为二进制(黑白) plt.axis('off')#关闭了图像的坐标轴 plt.show() import torch.nn.functional as F num_classes = 10 # 图片的类别数 class Model(nn.Module): def __init__(self): super().__init__() # 特征提取网络 self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3 self.pool1 = nn.MaxPool2d(2) # 设置池化层,池化核大小为2*2 self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3 self.pool2 = nn.MaxPool2d(2) # 分类网络 self.fc1 = nn.Linear(1600, 64)#第一个全连接层,输入节点数为 1600(通过两次池化后的特征图大小为 1600),输出节点数为 64 self.fc2 = nn.Linear(64, num_classes)#第二个全连接层,输入节点数为 64,输出节点数为 ,即图像的类别数 #全连接层,可以起到特征提取器的作用,最后一层的全连接层也可以认为是输出层 # 前向传播 def forward(self, x): x = self.pool1(F.relu(self.conv1(x)))#在 PyTorch 中,relu激活函数。F.relu(x) x = self.pool2(F.relu(self.conv2(x))) x = torch.flatten(x, start_dim=1)#特征展平为一维张量,以便传递给全连接层 x = F.relu(self.fc1(x)) x = self.fc2(x) return x from torchinfo import summary device = torch.device('cpu') model = Model().to(device) summary(model)#调用函数来打印模型的摘要信息,该函数将列出模型的结构、每一层的输入形状、参数数量等重要信息 Layer (type:depth-idx) Param # ================================================================= Model -- ├─Conv2d: 1-1 320 ├─MaxPool2d: 1-2 -- ├─Conv2d: 1-3 18,496 ├─MaxPool2d: 1-4 -- ├─Linear: 1-5 102,464 ├─Linear: 1-6 650 ================================================================= Total params: 121,930 Trainable params: 121,930 Non-trainable params: 0 ================================================================= #训练模型 loss_fn = nn.CrossEntropyLoss() # 创建损失函数 learn_rate = 1e-2 # 学习率 opt = torch.optim.SGD(model.parameters(),lr=learn_rate) # 训练循环 def train(dataloader, model, loss_fn, optimizer): size = len(dataloader.dataset) # 训练集的大小,一共60000张图片 num_batches = len(dataloader) # 批次数目,1875(60000/32) train_loss, train_acc = 0, 0 # 初始化训练损失和正确率 for X, y in dataloader: # 获取图片及其标签 X, y = X.to(device), y.to(device) # 计算预测误差 pred = model(X) # 网络输出 loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距,targets为真实值,计算二者差值即为损失 # 反向传播 optimizer.zero_grad() # grad属性归零 loss.backward() # 反向传播 optimizer.step() # 每一步自动更新 # 记录acc与loss train_acc += (pred.argmax(1) == y).type(torch.float).sum().item() train_loss += loss.item() train_acc /= size train_loss /= num_batches return train_acc, train_loss def test(dataloader, model, loss_fn): size = len(dataloader.dataset) # 测试集的大小,一共10000张图片 num_batches = len(dataloader) # 批次数目,313(10000/32=312.5,向上取整) test_loss, test_acc = 0, 0 # 当不进行训练时,停止梯度更新,节省计算内存消耗 with torch.no_grad(): for imgs, target in dataloader: imgs, target = imgs.to(device), target.to(device) # 计算loss 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_batches return test_acc, test_loss epochs = 5 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 * 100, epoch_train_loss, epoch_test_acc * 100, epoch_test_loss)) print('Done') Epoch: 1, Train_acc:79.2%, Train_loss:0.735, Test_acc:93.7%,Test_loss:0.217 Epoch: 2, Train_acc:94.7%, Train_loss:0.177, Test_acc:96.4%,Test_loss:0.124 Epoch: 3, Train_acc:96.5%, Train_loss:0.114, Test_acc:97.2%,Test_loss:0.088 Epoch: 4, Train_acc:97.3%, Train_loss:0.089, Test_acc:97.6%,Test_loss:0.073 Epoch: 5, Train_acc:97.7%, Train_loss:0.077, Test_acc:97.9%,Test_loss:0.064 import matplotlib.pyplot as plt #隐藏警告 import warnings warnings.filterwarnings("ignore") #忽略警告信息 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 plt.rcParams['figure.dpi'] = 100 #分辨率 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='Test Loss') plt.legend(loc='upper right') plt.title('Training and Validation Loss') plt.show()
- 总结:学会使用部分函数,还需对神经网络进行进一步的理解与学习。