介绍
Pytorch入门选手的学习笔记 (序号与视频序号完全对应), 本文尽可能的在详细记录了自己的学习内容, 包括但不限于(加了详细注释的代码, 截图并补充了说明的插图, UP讲课时的关键内容),因为自己学习过程中看其他博主的笔记, 有所收获,.
希望我的笔记也可以帮助一起学习的小伙伴, 加油哇~
视频链接
PyTorch深度学习快速入门教程【小土堆】:通往学习之门-点 这 里 !!!
参考的其他博主的笔记链接 ,非常感谢!!
笔记链接 再次感谢上述博主分享, 在学习过程中有效帮助我节约了时间并加深了理解~
27. 完整的模型训练套路(一)
- model.py
# 搭建神经网络
import torch
from torch import nn
from torch.nn.modules.flatten import Flatten
class Tudui(nn.Module):
def __init__(self):
self.model = super(Tudui,self).__init__()
# 把网络放在一个序列中
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5,stride=1, padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1,2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1,2),
nn.MaxPool2d(2),
Flatten(),
nn.Linear(1024, 64),
nn.Linear(64, 10)
)
def forward(self,x):
x = self.model(x)
return x
# 创建主方法
if __name__ == '__main__':
tudui = Tudui()
input = torch.ones((64,3,32,32)) # batch_size=64,
output = tudui(input)
print(output.shape)
train.py
# 准备数据集
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch.utils.data import DataLoader
train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),
download=True)
# 查看数据集大小 length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集长度为:{}",format(train_data_size))
print("测试数据集长度为:{}",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
tudui = Tudui()
# 定义损失函数 用交叉熵
loss_fn = nn.CrossEntropyLoss()
# 定义优化器 选择的是随机梯度下降
# 1e-2 = 1*(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()
for i in range(epoch):
print("-----------第{}轮训练开始-----------".format(i+1))
# 训练步骤开始
for data in train_dataloader:
imgs,targets = data
outputs = tudui(imgs)
loss = loss_fn(outputs,targets)
# 优化器优化模型
# 利用优化器将梯度清零
optimizer.zero_grad()
# 利用反向传播得到每个梯度的结点
loss.backward()
# 调用优化器
optimizer.step()
# 训练次数+1
total_train_step += 1
if total_train_step % 100 == 0:
print("训练次数:{},Loss:{}".format(total_train_step,loss))
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始
# 计算整个数据集上的loss
total_test_loss = 0
with torch.no_grad():
for data in test_dataloader:
imgs,targets = data
outputs = tudui(imgs)
# 计算数据的损失
loss = loss_fn(outputs,targets)
# 计算整体损失
total_test_loss = total_test_loss + loss
print("整体测试集上的loss:{}".format(total_test_loss))
writer.add_scalar("test_loss",total_test_loss,total_test_step)
total_train_step += 1
# 保存训练时每一轮的模型
torch.save(tudui,"tudui_{}.pth".format(i))
print('模型已保存')
writer.close()
28. 完整的模型训练套路(二)
- 增加优化代码:添加测试数据集正确率
- 正确率的计算思路
# 准备数据集
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch.utils.data import DataLoader
train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),
download=True)
# 查看数据集大小 length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集长度为:{}",format(train_data_size))
print("测试数据集长度为:{}",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
tudui = Tudui()
# 定义损失函数 用交叉熵
loss_fn = nn.CrossEntropyLoss()
# 定义优化器 选择的是随机梯度下降
# 1e-2 = 1*(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()
for i in range(epoch):
print("-----------第{}轮训练开始-----------".format(i+1))
# 训练步骤开始
for data in train_dataloader:
imgs,targets = data
outputs = tudui(imgs)
loss = loss_fn(outputs,targets)
# 优化器优化模型
# 利用优化器将梯度清零
optimizer.zero_grad()
# 利用反向传播得到每个梯度的结点
loss.backward()
# 调用优化器
optimizer.step()
# 训练次数+1
total_train_step += 1
if total_train_step % 100 == 0:
print("训练次数:{},Loss:{}".format(total_train_step,loss))
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始
# 计算整个数据集上的loss
total_test_loss = 0
# 计算整体的正确率 整体正确的个数 初始为0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs,targets = data
outputs = tudui(imgs)
# 计算数据的损失
loss = loss_fn(outputs,targets)
# 计算整体损失
total_test_loss = total_test_loss + loss
# 横向比较
# argmax(1)中 填1 水平比较 如果为正确为True sum + 1
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_train_step += 1
# 保存训练时每一轮的模型
torch.save(tudui,"tudui_{}.pth".format(i))
print('模型已保存')
writer.close()
29. 完整的模型训练套路(三)
浅浅修改, 增加了
tudui.train() # 作用:将网络设置成训练模式 只对部分网络层有作用,例如Dropout层,BatchNorm层等
tudui.eval() # 设置模型进入验证状态 只对特定层有作用,例如Dropout层,BatchNorm层等
# 准备数据集
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch.utils.data import DataLoader
train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),
download=True)
# 查看数据集大小 length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集长度为:{}",format(train_data_size))
print("测试数据集长度为:{}",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
tudui = Tudui()
# 定义损失函数 用交叉熵
loss_fn = nn.CrossEntropyLoss()
# 定义优化器 选择的是随机梯度下降
# 1e-2 = 1*(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()
for i in range(epoch):
print("-----------第{}轮训练开始-----------".format(i+1))
# 训练步骤开始
tudui.train() # 作用:将网络设置成训练模式 只对部分网络层有作用,例如Dropout层,BatchNorm层等
for data in train_dataloader:
imgs,targets = data
outputs = tudui(imgs)
loss = loss_fn(outputs,targets)
# 优化器优化模型
# 利用优化器将梯度清零
optimizer.zero_grad()
# 利用反向传播得到每个梯度的结点
loss.backward()
# 调用优化器
optimizer.step()
# 训练次数+1
total_train_step += 1
if total_train_step % 100 == 0:
print("训练次数:{},Loss:{}".format(total_train_step,loss))
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始
tudui.eval() # 设置模型进入验证状态 只对特定层有作用,例如Dropout层,BatchNorm层等
# 计算整个数据集上的loss
total_test_loss = 0
# 计算整体的正确率 整体正确的个数 初始为0
total_accuracy = 0
with torch.no_grad(): # 本行要有, 测试时不要改变梯度
for data in test_dataloader:
imgs,targets = data
outputs = tudui(imgs)
# 计算数据的损失
loss = loss_fn(outputs,targets)
# 计算整体损失
total_test_loss = total_test_loss + loss
# 横向比较
# argmax(1)中 填1 水平比较 如果为正确为True sum + 1
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_train_step += 1
# 保存训练时每一轮的模型
torch.save(tudui,"tudui_{}.pth".format(i))
# 官方推荐的保存方式 torch.save(tudui.stats_dict(),"tudui_{}.path.format)
print('模型已保存')
writer.close()