【小土堆】完整模型训练套路

 一、网络代码：

# 搭建神经网络        可以单独成一个文件
import torch
from torch import nn


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.modle = nn.Sequential(
            nn.Conv2d(3, 32, 5, stride=1, padding=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(64 * 4 * 4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.modle(x)
        return x

if __name__ == '__main__':
    tudui = Tudui()
    input = torch.ones(64, 3, 32, 32)
    output = tudui(input)
    print(output.shape)

二、训练和测试代码：

import torch
from torch.utils.tensorboard import SummaryWriter
from modle import *
import torchvision
from torch import nn
from torch.utils.data import DataLoader

train_data = torchvision.datasets.CIFAR10("../data_train", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
text_data = torchvision.datasets.CIFAR10("../data_train", train=False, transform=torchvision.transforms.ToTensor(),
                                          download=True)

# length 长度
train_data_size = len(train_data)
text_data_size = len(text_data)

print("训练集长度为：{}".format(train_data_size))
print("测试集长度为：{}".format(text_data_size))

# 利用 Dataloader 加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
text_dataloader = DataLoader(text_data, batch_size=64)

# 创建网络模型
tudui = Tudui()

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()

# 定义优化器
learning_rate = 0.01    # 太小了会导致训练效果不明显
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置网络的一些参数
# 记录(  训练  )的次数
total_train_step = 0
# 记录(  测试  )的次数
total_text_step = 0
# 训练轮数
epoch = 2

# 添加tensorboard
writer = SummaryWriter("../logs_modle")

# 开始训练以及测试
for i in range(epoch):
    print("---第{}轮训练开始---".format(i+1))

    # 训练步骤
    tudui.train()       # 细节
    for data in train_dataloader:
        imgs, targets = data
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)
        # 优化器优化模型
        optimizer.zero_grad()   # 优化器梯度清零
        loss.backward()         # 反向传播获取梯度
        optimizer.step()        # 进行优化

        total_train_step += 1
        if total_train_step % 100 == 0:
            print("训练次数：{}, loss = {}".format(total_train_step, loss.item()))  # loss.item()用法 :将tensor数据类型转换成数字
            writer.add_scalar("train_loss", loss.item(), total_train_step)
    # 测试步骤
    tudui.eval()    # 细节
    total_text_loss = 0
    total_accuracy = 0.0
    with torch.no_grad():   # 测试部分没有梯度，保证不会进行调优
        for data in text_dataloader:
            imgs, targets = data
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_text_loss = total_text_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy += accuracy

    print("整体测试集上的loss：{}".format(total_text_loss))
    print("整体测试集上的正确率为：{}".format(total_accuracy.float()/text_data_size))   # 正确个数 / 测试集大小

    writer.add_scalar("text_loss", total_text_loss, total_text_step)
    writer.add_scalar("text_accuraccy", total_accuracy.float()/text_data_size, total_text_step)
    total_text_step += 1

    # 保存每一轮训练的模型
    torch.save(tudui, "tudui_{}_train.pth".format(i))  # 保存在此程序路径文件夹下
    print("第{}轮训练模型已保存".format(i+1))
print("老子干完了")
writer.close()
# tensorboard打开：tensorboard --logdir=logs_modle 

在按照土堆编写代码时，有些地方出现了小错误，例如：

1. total_accuracy.float()

同时，为了跟上视频进度，我将训练轮数仅设置为 2 次 

1.训练结果展示

2.学习率的影响参照

# lr = 0.001

# lr = 0.01

3.tensorboard结果展示：

三、分类时常用的：

1.代码： 

import torch

outputs = torch.tensor([[0.1, 0.4, 0.3],
                       [0.2, 0.3, 0.1],
                       [0.4, 0.2, 0.6]])

print(outputs.argmax(0))    # argmax： 提取行中概率最大那个类别； 1：行； 0：列
print(outputs.argmax(1))

for i in range(2):
    preds = outputs.argmax(i)
    targets = torch.tensor([0, 1, 2])
    print(preds == targets)
    print((preds == targets).sum())  # 正确的个数

通过此代码可以将训练出的概率，选择    行或列    中最大的那个，并给出结果与  targets  进行对比以进行分类。

argmax(1)：按行筛选

argmax(0)：按列筛选

2.结果：

刚刚开始起步，有不对的欢迎指正一起学习