一、Pytorch的建模流程
1.准备数据(难点。我的数据类型:图片数据)
2.定义模型
3.训练模型
4.评估模型
5.使用模型
6.保存模型
图片数据建模流程范例
1.准备数据
cifar2数据集:
cifar10数据集的子集,只包括前两种类别airplane和automobile
训练集:
airplane和automobile图片各5000张
测试集:
airplane和automobile图片各1000张
任务的目标:
训练一个模型,来对飞机airplane和机动车automobile两种图片进行分类
文件结构:
-cifar2
-train
-0_airplane
-…(5000)
-1_automobile
-…(5000)
-test
-0_airplane
-…(1000)
-1_automobile
-…(1000)
在Pytorch中构建图片数据管道通常有两种方法。
第一种:
使用 torchvision中的datasets.ImageFolder来读取图片然后用 DataLoader来并行加载
第二种:(书中没写。自行查找)
通过继承 torch.utils.data.Dataset 实现用户自定义读取逻辑然后用 DataLoader来并行加载
(读取用户自定义数据集的通用方法。我应该更常用)
二,定义模型
使用Pytorch通常有三种方式构建模型:
使用nn.Sequential按层顺序构建模型
继承nn.Module基类构建自定义模型(我应该常用。也是书中这里用到的)
继承nn.Module基类构建模型并辅助应用模型容器 (nn.Sequential,nn.ModuleList,nn.ModuleDict)进行封装
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(in_channels=3,out_channels=32,kernel_size = 3)
self.pool = nn.MaxPool2d(kernel_size = 2,stride = 2)
self.conv2 = nn.Conv2d(in_channels=32,out_channels=64,kernel_size = 5)
self.dropout = nn.Dropout2d(p = 0.1)
self.adaptive_pool = nn.AdaptiveMaxPool2d((1,1))
self.flatten = nn.Flatten()
self.linear1 = nn.Linear(64,32)
self.relu = nn.ReLU()
self.linear2 = nn.Linear(32,1)
self.sigmoid = nn.Sigmoid()
def forward(self,x):
x = self.conv1(x)
x = self.pool(x)
x = self.conv2(x)
x = self.pool(x)
x = self.dropout(x)
x = self.adaptive_pool(x)
x = self.flatten(x)
x = self.linear1(x)
x = self.relu(x)
x = self.linear2(x)
y = self.sigmoid(x)
return y
net = Net()
print(net)
Net(
(conv1): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1))
(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(conv2): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1))
(dropout): Dropout2d(p=0.1, inplace=False)
(adaptive_pool): AdaptiveMaxPool2d(output_size=(1, 1))
(flatten): Flatten()
(linear1): Linear(in_features=64, out_features=32, bias=True)
(relu): ReLU()
(linear2): Linear(in_features=32, out_features=1, bias=True)
(sigmoid): Sigmoid()
)
import torchkeras
torchkeras.summary(net,input_shape= (3,32,32))
打印网络结构:
观察网络的每个层是什么操作、输出维度、模型的总参数量、训练的参数量、网络的占用内存情况
--------------------------------