利用pytorch搭建一个网络模型并训练、测试

综述：
学会了搭建一个网络模型，就会搭建多个网络模型了，套路都是一样的。会搭建网络模型，神经网络的学习也就算是入门了。这篇文章就是记录使用pytorch创建一个网络模型（以cifar10结构为例）

cifar10数据集 and 网络介绍

cifar10数据集：

之所以选择cifar10数据集，是因为它相对其他数据集要小很多，就算用CPU也能进行训练和学习。cifar10数据集总共分为10个类别。其中，每张图都是33232的RGB图像，以下是pytorch官网接截取的部分数据集示例：

标签依次是0-9：

cifar10结构：

input = 33232,经过3次卷积，3次池化层之后展平，然后经过两个Linear(线性层)，得到outputs = 10，即10个类别。下图来自百度：

创建网络模型model.py

在这个过程中如果报包找不到啊之类的错误，就直接在终端conda install 包名就可以了。网络创建就是根据上面网络结构图来的。若是不清楚参数该填什么，可以鼠标对着那个类，ctrl+p，如果想看该类用法，结构：鼠标对着那个类，ctrl+Q。

import torch
from torch import nn

# 搭建神经网络
class QL(nn.Module):
    def __init__(self):
        super(QL, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x


if __name__ == '__main__':
    ql = QL()
    input = torch.ones((64, 3, 32, 32))
    output = ql(input)
    print(output.shape)

运行结果：
batch_size = 64, 类别：10

模型训练及验证train.py

如果只有CPU的话，下面的.to(device)都注释掉就好了。用GPU训练的其实就是：把模型、损失、图片和标签放到GPU里面，有两种方法，用我代码块中的方法可以，用：
if torch.cuda.is_available():
ql = ql.cuda()
也可以。

训练代码

import torchvision
from torch.utils.tensorboard import SummaryWriter

from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader

device = torch.device()

train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
                        download=True)#这个root就是你想把数据集下载到的位置
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))


# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
ql = QL()  #因为前面从自己写的model.py里面import了*，所以可以直接用  	
ql.to(device)   #如果只有CPU的话，下面的.to(device)都注释掉就好了

# 损失函数
loss_fn = nn.CrossEntropyLoss()#交叉熵损失
loss_fn.to(device) 

# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("../logs_train")

for i in range(epoch):
    print("-------第 {} 轮训练开始-------".format(i+1))

    # 训练步骤开始
    ql.train()
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device) 
        targets = targets.to(device) 
        outputs = ql(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    ql.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device) 
       		targets = targets.to(device) 
            outputs = ql(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(ql, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

训练结果：

训练结果还没有很好，一个是训练的次数少，还有一个是这个网络简单，没有激活函数、dropout层和BN层等。

下面是用tensorboard得到的scalar图：
查看方法：终端—>tensorboard --logdir=‘logs_train’—>回车，然后点开出现的网络端口，就可以在网页查看啦

模型测试test.py

注意：训练的图片类型是tensor（N,C,H,W）,所以我们要把下载在image_path的图片（C,H,W）转换成tensor（N,C,H,W）。有可能下载的图片还有一个透明度通道，就print看一下，然后格式不对，就reshape就行。

测试代码

import torch
import torchvision
from PIL import Image
from torch import nn

image_path = "../imgs/airplane.png"
image = Image.open(image_path)
print(image)
image = image.convert('RGB')
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
                                            torchvision.transforms.ToTensor()])

image = transform(image)
print(image.shape)

class QL(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x

model = torch.load("ql_29_gpu.pth", map_location=torch.device('cpu'))
#上面这一步之所有加载的时候要有后面的参数，是因为输入的测试图片是cpu（tensor）类型，#而加载的模型是GPU模型，所以要进行转换

print(model)
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():
    output = model(image)
print(output)

print(output.argmax(1))#这个就是预测那10个类别时得分最高的类别的序号

测试结果：

即，第0类：plane，预测正确。

文件放置位置

只需要红框这几个文件就可以了，其他是我练习用到的文件，不用管