项目实训-智能生物序列分析平台-后端模块（7）

煮酒cos

已于 2022-06-07 21:53:37 修改

阅读量163

点赞数

分类专栏：项目实训文章标签： pytorch 深度学习神经网络

于 2022-06-05 18:21:53 首次发布

本文链接：https://blog.csdn.net/qq_49215659/article/details/125134939

版权

本文介绍了简化版的PyTorch智能生物序列分析平台后端模型，包括模型简化、数据采样、网络设计和训练过程。讨论了激活函数的选择，如ReLU的使用，并强调了数据加载时的维度对应。此外，还提到了IO Manager的部分，主要用于日志管理和参数保存，但最终因调用不便而废弃。

摘要由CSDN通过智能技术生成

Model函数

模型部分代码

Model简化

由于先前的模型写的太过于复杂和离谱，这里只提供简单的一个demo（回归初心），来看看pytorch训练模型的一个基本的过程，感觉这样就够了。

import torch
import torch.nn
import numpy as np
from torchvision.datasets import CIFAR10
from torchvision import transforms
from torch.utils.data import DataLoader
from torch.utils.data.sampler import SubsetRandomSampler
import torch.nn.functional as F
import torch.optim as optimizer

注意：此处数据集在本地，因此download=False;若需要下载的改为True同样的，第一个参数为数据存放路径。

data_path = '../CIFAR_10_zhuanzhi/cifar10'
cifar = CIFAR10(data_path, train=True, download=False, transform=_task)

这里只是为了构造取样的角标，可根据自己的思路进行拓展。

此处使用了前百分之八十作为训练集，百分之八十到九十的作为验证集，后百分之十为测试集。

samples_count = len(cifar)
split_train = int(0.8 * samples_count)
split_valid = int(0.9 * samples_count)

index_list = list(range(samples_count))
train_idx, valid_idx, test_idx = index_list[:split_train], index_list[split_train:split_valid], index_list[split_valid:]

定义采样器：create training and validation, test sampler。

train_sampler = SubsetRandomSampler(train_idx)
valid_sampler = SubsetRandomSampler(valid_idx)
test_samlper  = SubsetRandomSampler(test_idx )

# create iterator for train and valid, test dataset
trainloader = DataLoader(cifar, batch_size=256, sampler=train_sampler)
validloader = DataLoader(cifar, batch_size=256, sampler=valid_sampler)
testloader  = DataLoader(cifar, batch_size=256, sampler=test_samlper )

一个简单的网络设计。

class Net(torch.nn.Module):
    """
    网络设计了三个卷积层，一个池化层，一个全连接层
    """
    def __init__(self):
        super(Net, self).__init__()

        self.conv1 = torch.nn.Conv2d(3, 16, 3, padding=1)
        self.conv2 = torch.nn.Conv2d(16, 32