接模型训练套路(一)http://t.csdnimg.cn/gZ4Fm
得到预测的值:preds=[1][1],
输出目标:inputs target = [0][1];
查看两者的正确率,就看:preds==inputs target
输出的结果:[false][true].sum = 1
一、计算正确率的代码:
import torch output = torch.tensor([[0.1,0.2], [0.3,0.4]]) # argmax(1)表示横向比较 print(output.argmax(1)) preds = output.argmax(1) targets = torch.tensor([0, 1]) print((preds == targets).sum())
接训练一代码,计算整体的计算率:在测试步骤开始中写:
total_accuracy = 0
accuracy = (outputs.argmax(1)==targets).sum() total_accuracy = total_accuracy + accuracy
writer.add_scalar("test_accuracy",total_accuracy/test_data_size,total_test_step)
模型训练套路(三)
模型包括:1、数据集——>2、加载数据集——>3、创建网络模型——>4、损失函数——>5、优化器——>6、设置训练参数——>7、设置训练epoch——>8、训练开始(优化器优化模型、展示数据)——>9、测试开始(设置梯度为0,从测试数据集中取数据,计算loss,计算误差,构建需要指标并显示,展示训练的网络在测试集上的效果)——>10、保存模型
完整代码:
能够使用gpu的语句:
网络模型;
数据(输入,标注);imgs,targets
损失函数;
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from model1 import*
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)
# 查看数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 格式化
print("训练数据集的长度为: {}".format(train_data_size))
print("测试数据集的长度为: {}".format(test_data_size))
# 利用dataloader加载数据集
train_dataloader = DataLoader (train_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
# 创建网络模型
sun = SUN()
# 损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器(SGD随机梯度下降)
learning_rate = 0.01
optimizer = torch.optim.SGD(sun.parameters(), lr = learning_rate)
# 设置网络训练的参数
# 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("../train_logs")
for i in range(epoch):
print("-------第{}轮训练开始--------".format(i+1))
# 训练网络模型,从训练的data中取数据
# 训练步骤开始
sun.train() # 该语句并不一定要写
for data in train_dataloader:
imgs, targets = data
outputs = sun(imgs)
# 将得到的输出与真实的target比较,得到误差
loss =loss_fn(outputs, targets)
# 优化器优化模型
# 进行优化,首先是梯度清零
optimizer.zero_grad()
# 得到每个节点的梯度
loss.backward()
# 对其中的参数进行优化
optimizer.step()
total_test_step = total_test_step + 1
if total_test_step % 100 == 0:
print("训练次数:{}, Loss: {}".format(total_test_step, loss.item()))
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 如何知道数据训练好了没有
# 利用现有模型进行测试
# 在测试数据集上走一遍,以测试数据集的损失,来判定模型训练好了没有
# 测试过程中不需要在对模型进行调优
# 测试步骤开始
sun.eval() # 该语句也不一定要写
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
outputs = sun(imgs)
loss =loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
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("整体测试集的正确率:{}".format(total_accuracy))
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_test_step +=1
torch.save(sun, "sun_{}.path".format(i))
print("模型已保存")
writer.close()