BEGAN-carpedm代码调试

这篇博客介绍了如何使用Python脚本来管理和组织 CelebA 数据集。作者首先将数据集的图片放在'images'文件夹中,然后通过代码创建了训练集、验证集和测试集的目录,并对数据进行了相应的划分。接着,通过建立软链接的方式,将原始图片链接到对应的训练、验证和测试目录下,以便于后续的训练过程。当训练中断后,可以通过指定加载路径继续训练。
摘要由CSDN通过智能技术生成

总共数据是202599张图片,在这里的分了训练集162770(比例0.8),验证集19867(比例0.098),测试集19962(比例0.096)

注意文件夹的创建

##base_path = './data'
def add_splits(base_path):
    data_path = os.path.join(base_path, 'CelebA')
    images_path = os.path.join(data_path, 'images')
    train_dir = os.path.join(data_path, 'splits', 'train')
    valid_dir = os.path.join(data_path, 'splits', 'valid')
    test_dir = os.path.join(data_path, 'splits', 'test')
    if not os.path.exists(train_dir):
        os.makedirs(train_dir)
    if not os.path.exists(valid_dir):
        os.makedirs(valid_dir)
    if not os.path.exists(test_dir):
        os.makedirs(test_dir)

这里不用给的download.py来下载CelebA数据集,我自己已经准备好了,把CelebA数据集里的图片全放在images文件夹里。

if __name__ == '__main__':
    base_path = './data'
    prepare_data_dir()
    ##download_celeb_a(base_path)
    add_splits(base_path)

把download_celeb_a(base_path)这行注释掉,再以管理员权限运行download.py

def check_link(in_dir, basename, out_dir):
    in_file = os.path.join(in_dir, basename)
    if os.path.exists(in_file):
        link_file = os.path.join(out_dir, basename)
        rel_link = os.path.relpath(in_file, out_dir)
        os.symlink(rel_link, link_file)

建立软链接,然后运行main函数,开始训练。


中断后如何恢复训练:
添加<model’s name>_xxxx_xxxxxxx到–load_path,
–load_path=CelebA_0507_210503

PyTorch是一个用于深度学习的开源框架,它提供了丰富的工具和函数,用于构建神经网络模型和进行训练。要开始使用PyTorch,我们需要执行一些代码。 首先,我们需要安装PyTorch库。可以通过在命令行中运行以下命令来安装最新版本: ``` pip install torch ``` 安装完成后,我们可以引入torch模块并创建一个简单的神经网络模型。 ```python import torch import torch.nn as nn import torch.optim as optim # 定义一个简单的神经网络 class SimpleNet(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(SimpleNet, self).__init__() self.hidden = nn.Linear(input_dim, hidden_dim) self.relu = nn.ReLU() self.output = nn.Linear(hidden_dim, output_dim) def forward(self, x): out = self.hidden(x) out = self.relu(out) out = self.output(out) return out # 创建模型的实例 input_dim = 10 hidden_dim = 20 output_dim = 2 model = SimpleNet(input_dim, hidden_dim, output_dim) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 创建输入数据和目标标签 input_data = torch.randn(100, input_dim) # 随机生成100个样本的输入数据 target_labels = torch.randint(output_dim, (100,)) # 随机生成100个目标标签 # 进行训练 for epoch in range(100): optimizer.zero_grad() output = model(input_data) loss = criterion(output, target_labels) loss.backward() optimizer.step() ``` 以上代码展示了如何开始使用PyTorch进行深度学习任务。其中,我们首先定义了一个简单的神经网络模型,然后定义了损失函数和优化器。接下来,我们创建了输入数据和目标标签,并使用这些数据对模型进行训练。在每个训练周期中,我们首先将优化器的梯度归零,然后将输入数据传递给模型进行预测,计算损失并进行梯度反向传播,最后根据损失更新模型的参数。 通过以上步骤,我们可以开始使用PyTorch构建和训练自己的深度学习模型。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值