>- **🍨 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
一、 前期y准备
1. 设置GPU
如果设备上支持GPU就使用GPU,否则使用CPU
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")
2. 导入数据
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
3. 数据可视化
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, )。
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()
二、构建简单的CNN网络
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
加载并打印模型
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
代码运行结果
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
=================================================================
三、 训练模型
1. 设置超参数
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)
2. 编写训练函数
# 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
3. 编写测试函数
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
4. 正式训练
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')
代码运行如下
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
四、 结果可视化
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。