视频+笔记 【我是土堆 - PyTorch教程】学习随手记
记录代码:
完整的模型训练套路
- 准备数据集,和对应的dataloader
- 然后创建网络模型,定义损失函数,优化器,训练中的一些参数(记录训练的次数 #记录测试的次数 #训练的轮次epoch(为了多次进行训练))
- 调用module.train(),使网络进入训练状态,从训练的 dataloader 中不断取数据,算出误差,放到优化器中进行优化,采用某种特定的方式展示输出,一轮结束后或特定步数后进行测试.
- 调用tudui.eval() ,使网络进入测试状态, 要设置with torch.no_grad():,我们只需要进行测试,不需要对网络模型进行调整,更不需要利用梯度来优化.然后从测试数据集中取数据,计算误差,构建特殊指标显示出来
- 最后可以通过一些方式来展示一下训练的网络在测试集上的效果
- 在特定步数或某一轮可以保存模型
#Module.py
import torch
from torch import nn
#搭建神经网络
class Module(nn.Module):
def __init__(self):
super(Module,self).__init__()
self.module=nn.Sequential(
nn.Conv2d(3,32,5,stride=1,padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,stride=1,padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,stride=1,padding=2),
nn.MaxPool2d(2),
nn.Flatten(),#展平
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self,x):
x=self.module(x)
return x
#进行验证网络模型
if __name__ == '__main__':
snow=Module()
input=torch.ones((64,3,32,32))
input=snow(input)
print(input.shape)
import torch
a=torch.tensor(5)
print(a) #tensor(5)!!!
print(a.item()) #5 !!!
import torch
output=torch.tensor([[0.1,0.2],
[0.05,0.4]])
print(output.argmax(1)) #输出:tensor([1, 1]) 按横坐标方向看哪个类别所占的比例大
print(output.argmax(0)) #输出:tensor([0, 1]) 按纵坐标的方向的反方向看哪个类别所占的比例大
pre=output.argmax(1)
targets=torch.tensor([0,1])
#print(pre==targets) #输出:tensor([False, True])
print((pre==targets).sum()) #算出对应位置相等的个数
#train.py
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from Module import * #把Module中的全部代码导入
#准备数据集
train_data=torchvision.datasets.CIFAR10("./datasets",train=True,transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10("./datasets",train=False,transform=torchvision.transforms.ToTensor(),
download=True)
#length 长度(获得数据集的长度)
train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练数据集的长度:{}".format(train_data_size))
print("测试数据集的长度:{}".format(test_data_size))
#利用dataloader来加载数据集
train_data_loader=DataLoader(train_data,batch_size=64)
test_data_loader=DataLoader(test_data,batch_size=64)
#创建网络模型
snow=Module()
#创建损失函数
loss_function=nn.CrossEntropyLoss()
#优化器 SGD随机梯度下降
learning_rate=0.01 #或者 1e-2=1*(10)^(-2)=1/100=0.01
optimizer=torch.optim.SGD(snow.parameters(),lr=learning_rate)
#设置训练网络的一些参数
total_train_step=0 #记录训练的次数
total_test_step=0 #记录测试的次数
epoch =10 #训练的轮次
#添加tensorboard
writer=SummaryWriter("./logs")
for i in range(epoch):
print("------第{}轮训练开始------".format(i+1))
#训练步骤开始
snow.train() #只对特定的层有作用,看官网说明
for data in train_data_loader:
imgs,targets=data # 从训练的dataloader中取数据
output=snow(imgs)
loss=loss_function(output,targets) #计算损失
#优化器优化模型
optimizer.zero_grad() #梯度清零
loss.backward() #反向传播(反向传播得到每一个参数节点的梯度)
optimizer.step() #参数调优
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)
#add_scalar:将标量数据添加到摘要
#评估模型是否训练好,训练完一轮,进行测试
snow.eval() #只对特定的层有作用
total_loss=0
total_acccury=0
with torch.no_grad(): #没有梯度,不进行修改
for data in test_data_loader:
imgs,targets=data
output=snow(imgs)
loss=loss_function(output,targets)
total_loss=total_loss+loss.item()
accuray=(output.argmax(1)==targets).sum() #正确率
total_acccury=total_acccury+accuray
print("整体测试集上的Loss:{}".format(total_loss))
print("整体测试集上的正确率:{}".format(total_acccury/test_data_size))
writer.add_scalar("tset_loss",total_loss,total_test_step)
writer.add_scalar("test_accuracy",total_acccury/test_data_size,total_test_step)
total_test_step+=1
# 保存模型1
#torch.save(snow,"snow_{}.pth".format(i))
#保存模型方式2 官网推荐
torch.save(snow.state_dict(),"snow_{}.pth".format(i))
print("模型已保存")
writer.close()