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')
- 常见写法1
-
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)