eat_pytorch_in_20_days学习笔记(1)图片数据建模流程范例

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()
)

torchkeras.summary讲解

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

--------------------------------