我在B站读大学-【小土堆】PyTorch深度学习快速入门教程学习笔记(四)

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~

30. 利用GPU训练(一)

• 能进行GPU训练部分: 三部分 可添加 .cuda()

  • 网络模型

  • 数据（imgs，targets）

  • 损失函数

  • train_gpu_1.py

    在上一节视频中 train.py 的基础上

    增加.cuda()

    增加测试时间的计算

    增加

# 准备数据集
import torch
import torchvision
from torch import nn
from torch.nn.modules.flatten import Flatten
from torch.utils.tensorboard import SummaryWriter
import time


# 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
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


tudui = Tudui()
# 判断是否可用cuda
if torch.cuda.is_available():
    tudui = tudui.cuda() # 网络模型转移到cuda


# 定义损失函数 用交叉熵
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()  # loss转移到cuda

# 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()
# 记录训练起始时间
start_time = time.time()

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
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        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:
            # 记录训练终止的时间
            end_time = time.time()
            print("训练时间:{}".format(end_time-start_time))
            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
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            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()

本人电脑没有独显,在 colab 上试运行的, 那是真的爽哇~

在这期里小土堆也讲了下colab的简单使用!

下述是 查看colab配置的方法(转载)
版权声明：本文为CSDN博主「打孔猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44562957/article/details/120139677

print("============查看GPU信息================")
# 查看GPU信息
!/opt/bin/nvidia-smi
print("==============查看pytorch版本==============")
# 查看pytorch版本
import torch
print(torch.__version__)
print("============查看虚拟机硬盘容量================")
# 查看虚拟机硬盘容量
!df -lh
print("============查看cpu配置================")
# 查看cpu配置
!cat /proc/cpuinfo | grep model\ name
print("=============查看内存容量===============")
# 查看内存容量
!cat /proc/meminfo | grep MemTotal

我随机分的配置, 跑起来真的比CPU快很多~~啦

31. 利用GPU训练(二)

.to(device) # 这种方式更常用~

• device = torch.device("cpu)

• device = torch.device(“cuda”)

• 当电脑上有多张显卡时: 可以指定显卡

  • device = torch.device(“cuda:0”) # 制定第一个显卡

  • device = torch.device(“cuda:1”) # 制定第二个显卡

train_gpu_2.py

• 首先把train_gpu_1.py 里的代码复制过来 , 开改~

• 改动部分如下:

  • 定义训练的设备: device = torch.device('cuda')

  • 定义模型 :

    • 常见写法1 tudui.to('device')
    • 常见写法2 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

  • 修改损失函数: loss_fn = loss_fn.to(device)

  • 修改训练和测试的cuda部分

    ​ imgs = imgs.to(device)
    ​ targets = targets.to(device)

# 准备数据集
import torch
import torchvision
from torch import nn
from torch.nn.modules.flatten import Flatten
from torch.utils.tensorboard import SummaryWriter
import time


from torch.utils.data import DataLoader


# 定义训练的设备
# 写法2  device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 可适应不同情况
device = torch.device('cpu')
# 打印正在使用的设备
print(device)

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
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


tudui = Tudui()
# 将网络转移到设备上去
tudui.to(device)


# 定义损失函数 用交叉熵
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

# 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()
# 记录训练起始时间
start_time = time.time()

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
        imgs = imgs.to(device)
        targets = targets.to(device)
        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:
            # 记录训练终止的时间
            end_time = time.time()
            print("训练时间:{}".format(end_time-start_time))
            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
            imgs = imgs.to(device)
            targets = targets.to(device)
            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()

在colab上跑起来~

真的好快, 再一次向Colab表达我的爱,轻薄本无独显人士的大救星!!!~

32. 完整模型的验证套路

• 即利用已经训练好的模型，然后给它提供输入

test.py

# 数据路径
import torch
import torchvision
from PIL import Image
from torch import nn
from torch.nn.modules.flatten import Flatten

image_path = "../imgs/dog.png"
image = Image.open(image_path)
print(image)
# png格式是四通道，除了RGB三通道外，还有一个透明度通道，所以我们需要调用convert('RGB')保留其颜色通道
# 如果图片本来就是三个颜色通道，经过此操作，不变。
# 加上这一步后，可以适应png jpg各种格式的图片。

# torchvision.transforms.Compose(transforms) 将几个转换组合在一起
image = image.convert('RGB') # 有了这句就不会报错;
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
                                           torchvision.transforms.ToTensor()])

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

# 搭建神经网络模型
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

# 加载网络模型
# 如果使用的是GPU训练的模型,在CPU上使用,映射到CPU上 如下
# model = torch.load('tudui_29_gpu.pth',map_location=torch.device('cpu'))
model = torch.load("tudui_0.pth")
print(model)
image = torch.reshape(image,(1,3,32,32))
# 把模型转化为测试类型
model.eval() # 此步易遗忘
with torch.no_grad(): # 本步可节约内存,提升性能
    output = model(image)
output = model(image)
print(output)

+= 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()

在colab上跑起来~

真的好快, 再一次向Colab表达我的爱,轻薄本无独显人士的大救星!!!~

[外链图片转存中...(img-t2ScrtXv-1663768832015)]





## 32. 完整模型的验证套路

- 即利用已经训练好的模型，然后给它提供输入

test.py

```python
# 数据路径
import torch
import torchvision
from PIL import Image
from torch import nn
from torch.nn.modules.flatten import Flatten

image_path = "../imgs/dog.png"
image = Image.open(image_path)
print(image)
# png格式是四通道，除了RGB三通道外，还有一个透明度通道，所以我们需要调用convert('RGB')保留其颜色通道
# 如果图片本来就是三个颜色通道，经过此操作，不变。
# 加上这一步后，可以适应png jpg各种格式的图片。

# torchvision.transforms.Compose(transforms) 将几个转换组合在一起
image = image.convert('RGB') # 有了这句就不会报错;
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
                                           torchvision.transforms.ToTensor()])

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

# 搭建神经网络模型
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

# 加载网络模型
# 如果使用的是GPU训练的模型,在CPU上使用,映射到CPU上 如下
# model = torch.load('tudui_29_gpu.pth',map_location=torch.device('cpu'))
model = torch.load("tudui_0.pth")
print(model)
image = torch.reshape(image,(1,3,32,32))
# 把模型转化为测试类型
model.eval() # 此步易遗忘
with torch.no_grad(): # 本步可节约内存,提升性能
    output = model(image)
output = model(image)
print(output)