深度学习项目一：CRFAR10的使用（GPU版本）

一、CRFAR10的训练过程

1、导入相关模块

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from torch import nn
from torch.utils.data import DataLoader
# 用来计时，方便计算项目的训练时间
import time

在终端输入：nvidia-smi 即可查看GPU的相关信息。
GPU的使用：将网络模型、数据（输入，标签）、损失函数调用.cuda()转移到cuda上即可。

2、准备数据集并加载数据集

# 准备数据集
train_data = torchvision.datasets.CIFAR10("./data_train",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("./data_test",train=False,transform=torchvision.transforms.ToTensor(),
                                          download=True)
# lenth 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度为：{}".format(train_data_size))
print(f"测试数据集的长度为：{test_data_size}")
# 加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

3、创建网络模型

class Dreamzed(nn.Module):
    def __init__(self):
        super(Dreamzed, self).__init__()
        self.module = nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024,64),
            nn.Linear(64,10)
        )
    def forward(self,x):
        x = self.module(x)
        return x
dreamzed = Dreamzed()
# 将网络模型转移到cuda上(如果有的话)
if torch.cuda.is_available():
    tudui = tudui.cuda()

4、定义损失函数和优化器

# 定义损失函数
loss_fn = nn.CrossEntropyLoss()
# 将损失函数转移到cuda上
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# 定义优化器
# learning_rate = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate)

5、定义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
# 训练的次数
epoch = 30
# 添加tensorboard
writer = SummaryWriter("./logs_train")
# 记录开始时间
start_time = time.time()

在终端输入：tensorboard --logdir=logs_train 即可查看整个训练过程的可视化。

6、开始训练

for i in range(epoch):
    print(f"-----第{i+1}轮训练开始-----")
    # 训练步骤开始
    # dreamzed.train()只对特定的层起作用，如dropout层等，如果有这些层就必须调用，如果没有调用也没有问题
    for data in train_dataloader:
        imgs,targets = data
        #将训练数据转移到cuda上
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = dreamzed(imgs)#预测输出
        loss = loss_fn(outputs,targets)
        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            # 记录结束时间
            end_time = time.time()
            print(end_time - start_time)
            print(f"训练次数：{total_train_step},Loss：{loss.item()}")#item()可以将tensor数据类型转化为真实的数字
            writer.add_scalar("train_loss",loss.item(),total_train_step)

7、开始测试

# 测试步骤开始
    # tudui.eval()只对特定的层起作用，如dropout层等，如果有这些层就必须调用，如果没有调用也没有问题
    total_test_loss = 0
    # 整体正确的个数
    total_accuracy = 0
    # 测试中不需要梯度清零
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = tudui(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(f"整体数据集上的Loss：{total_test_loss}")
    print(f"整体测试集上的正确率：{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_test_step = total_test_step + 1
    # 保存模型
    torch.save(dreamzed,f"dreamzed_{i}_gpu.pth")
    print("模型已保存")
    # 保存方式二：torch.save(dreamzed.state_dict(),"tudui_{}.pth".format(i))
writer.close()

准确率是分类问题特有的评价标准。
这里利用了argmax来计算准确率。argmax的使用如下所示：

import torch
# 分类问题特有的评估标准：准确率
outputs = torch.tensor([[0.1,0.2],
                       [0.3,0.4]])
# 若argmax(1)，则输出每一行上的最大值代表的类别（索引）
# 若argsmax(0)，则输出每一列上的最大值代表的类别（索引）
print(outputs.argmax(1))
#计算预测的分类，比如有两类0和1
preds = outputs.argmax(1)
#实际所属的分类
targets = torch.tensor([0,1])
#计算准确率
print((preds == targets).sum())

二、模型验证过程

import torch
from PIL import Image
import torchvision
from torch import nn

#导入需要验证的图片
image_path = "./images/airplane.jpg"
image = Image.open(image_path)
image = image.convert('RGB')
#将图片转变为模型input需要的格式
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),torchvision.transforms.ToTensor()])
image = transform(image)
#验证图片的格式是否符合要求
print(image.shape)

#需要将模型的搭建移过来，但不需要实例化对象
class Dreamzed(nn.Module):
    def __init__(self):
        super(Dreamzed, self).__init__()
        self.module = nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(1024,64),
            nn.Linear(64,10)
        )
    def forward(self,x):
        x = self.module(x)
        return x

#加载训练好的模型（注意必须先保存已经训练好的模型才能加载）
module = torch.load("dreamzed_29_gpu.pth",map_location=torch.device("cpu"))
print(module)
image = torch.reshape(image,(1,3,32,32))
module.eval()
#验证过程不需要梯度清零
with torch.no_grad():
    output = module(image)
print(output)
#输出属于哪一类
print(output.argmax(1))

验证结果如下图所示：

结果为飞机，验证正确。