- 🍨 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 | 接辅导、项目定制
一、 前期准备
1. 设置GPU
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
# 设置硬件设备,如果有GPU则使用,没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
Output:
device(type='cuda') #代表使用的是GPU
2. 设置随机种子
为了保证实验可以复现,我们通过随机种子控制随机数的生成。
import random
import numpy as np
def set_seed(seed):
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
np.random.seed(seed)
random.seed(seed)
torch.backends.cudnn.deterministic = True
# 设置随机数种子
set_seed(42)
3. 导入数据
首先,通过内置包,下载数据集:
train_ds = torchvision.datasets.MNIST('data',
train=True, #True 代表对应的是训练集
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False, #False 代表对应的是测试集
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
通过 torch.utils.data.DataLoader
设置 Loader,
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)
shuffle=True
代表每个epoch提取数据的顺序都是随机打乱,且元素不重复出现。
imgs, labels = next(iter(train_dl))
imgs.shape #样本数 通道数 长 宽
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。next()
函数用于获取迭代器中的下一个元素。在这里,它被用来获取train_dl
中的下一个批量数据。
观察一下对应的 shape,分别对应的是:单个batch 的样本数 通道数 图像的长 图像的宽 (MNIST数据集的单个样本像素值是28*28)
torch.Size([32, 1, 28, 28])
4. 数据可视化
# 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, imgs in enumerate(imgs[:20]):
# 维度缩减
npimg = np.squeeze(imgs.numpy())
# 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)
plt.axis('off')
- cmap=plt.cm.binary 对应的是黑白主题
二、构建网络
首先,搭建网络结构,
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)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
def forward(self, x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = torch.flatten(x, start_dim=1)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
nn.Conv2d(input_channel, output_channel, kernel_size)
CNN理论核心——卷积层,设置kernel / filter 大小和个数,用于提取数据特征。nn.MaxPool2d(2)
下采样(池化),降低数据维数,表示抽象概念,传入参数为池化核大小。nn.ReLU
激活函数,赋予模型拟合非线性关系的能力。nn.Linear(input_dimension, output_dimension)
全连接层,相当于给数据乘以权重矩阵W,W的size由input_dimension
,output_dimension
和确定。
查看网络参数:
from torchinfo import summary
# 将模型转移到GPU中(我们模型运行均在GPU中进行)
model = Model().to(device)
summary(model)
=================================================================
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. 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) # 读取数据时的tensor变量copy一份到device所指定的GPU上
# 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,y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
optimizer.zero_grad()
清空上一次的累计梯度loss.backward()
根据tensor进行过的数学运算来自动计算其对应的梯度。具体来说,torch.tensor
是autograd包的基础类,如果你设置tensor的requires_grads
为True
,就会开始跟踪这个tensor上面的所有运算,如果你做完运算后使用tensor.backward()
,所有的梯度就会自动运算,tensor的梯度将会累加到它的.grad属性里面去。optimizer.step()
step()函数的作用是执行一次反向传播,通过梯度下降法来更新参数的值。optimizer
只负责通过梯度下降进行优化,而不负责产生梯度
3.测试函数
测试函数和训练函数大致相同,但是由于不进行梯度下降对网络权重进行更新,所以不需要传入优化器。
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() #累计loss
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item() # 累计正确个数
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
4. 正式训练
epochs = 10
train_loss = []
train_acc = []
test_loss = []
test_acc = []
import time
for epoch in range(epochs):
since_train = time.time()
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
time_train = time.time() - since_train
since_test = time.time()
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
time_test = time.time() - since_test
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},Train_Time:{:.3f},Test_Time:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss, time_train, time_test))
print('Done')
model.train()
的作用是启用 Batch Normalization 和 Dropout。model.eval()
的作用是关闭 Batch Normalization 和 Dropout。Normalization部分是调用training set中的方差和均值进行。Dropout部分不需要,Dropout部分只是帮助模型训练,防止过拟合。因此我们直接调用模型训练好的参数即可,
Epoch: 1, Train_acc:75.5%, Train_loss:0.869, Test_acc:92.5%,Test_loss:0.233,Train_Time:13.127,Test_Time:1.649
Epoch: 2, Train_acc:94.4%, Train_loss:0.186, Test_acc:96.0%,Test_loss:0.131,Train_Time:14.768,Test_Time:1.607
Epoch: 3, Train_acc:96.4%, Train_loss:0.118, Test_acc:97.3%,Test_loss:0.086,Train_Time:14.600,Test_Time:1.607
Epoch: 4, Train_acc:97.2%, Train_loss:0.090, Test_acc:97.9%,Test_loss:0.072,Train_Time:14.488,Test_Time:1.684
Epoch: 5, Train_acc:97.7%, Train_loss:0.075, Test_acc:97.9%,Test_loss:0.063,Train_Time:14.499,Test_Time:1.560
Epoch: 6, Train_acc:98.0%, Train_loss:0.065, Test_acc:98.3%,Test_loss:0.052,Train_Time:14.410,Test_Time:1.582
Epoch: 7, Train_acc:98.3%, Train_loss:0.057, Test_acc:98.3%,Test_loss:0.052,Train_Time:14.406,Test_Time:1.607
Epoch: 8, Train_acc:98.5%, Train_loss:0.051, Test_acc:98.5%,Test_loss:0.047,Train_Time:14.073,Test_Time:1.648
Epoch: 9, Train_acc:98.6%, Train_loss:0.047, Test_acc:98.7%,Test_loss:0.042,Train_Time:13.935,Test_Time:1.385
Epoch:10, Train_acc:98.7%, Train_loss:0.043, Test_acc:98.5%,Test_loss:0.043,Train_Time:14.086,Test_Time:1.607
Done
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()
个人总结
- 在深度学习下,GPU的作用很大。对比GPU和CPU时间在此项目下缩短了10倍。
- 前期最难的部分是环境搭建,建议大家在某宝上花点小钱。
- 梯度的链式传播有助于大家理解模型的运行机制。