同样地,官方地址在这里https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-py
在正式训练网络之前,我们要下载数据集,用pythorch自带的库可以很方便的实现下载。下面是下载CIFAR10,并且展示图片的代码:
import torch
import torchvision #torchvision是pytorch的一个图形库,主要用来构建计算机视觉模型,
# 可以用来下载数据
import torchvision.transforms as transforms #用于图形变换
import matplotlib.pyplot as plt
import numpy as np
if __name__ == '__main__':
transform = transforms.Compose( #用于串联多个图片变换的操作
[transforms.ToTensor(), #将图片转换为张量形式
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) #归一化
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, #下载训练集的数据
download=True, transform=transform)
#组合数据集和样本。数据集是trainset,每批次加载4张图,true表示重新混合,有2个子流程用于数据加载
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, #下载测试集的数据
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
def imshow(img): #用以展示图片的函数
img = img / 2 + 0.5 # unnormalize,非规范化
npimg = img.numpy() #image转为numpy类
plt.imshow(np.transpose(npimg, (1, 2, 0))) #改变数组的排列顺序,这样才可以展示
plt.show() #显示图片,只用上面那一行是使用不了的
# get some random training images
dataiter = iter(trainloader) #获取训练集的图像和标签
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images)) #输出图象
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4))) #输出标签
如果下载失败,可以根据提示去网站上下载,放到程序中指定的位置就可以了。
结果:
训练网络的代码如下,是可以直接运行的。
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms #用于图形变换
import torch.optim as optim
if __name__ == '__main__':
#################前面是建立网络部分###################
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
self.conv1 = nn.Conv2d(3,6,5)
self.conv2 = nn.Conv2d(6,16,5)
self.fc1 = nn.Linear(400,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84,10)
def forward(self,x):
x = F.max_pool2d(F.relu(self.conv1(x)),(2,2))
x = F.max_pool2d(F.relu(self.conv2(x)),(2,2))
x = x.view(-1, self.num_flat_features(x))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def num_flat_features(self,x):
size = x.size()[1:]
num_features = 1
for s in size:
num_features *= s
return num_features
net = Net()
#定义损失函数和优化器
criterion = nn.CrossEntropyLoss() #定义损失函数的类型为cross-entorpy
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) #优化器为SGD类型
###########################网络搭建成功##########################
#加载数据集
transform = transforms.Compose( # 用于串联多个图片变换的操作
[transforms.ToTensor(), # 将图片转换为张量形式
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 归一化
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, # 下载训练集的数据
download=True, transform=transform)
# 组合数据集和样本。数据集是trainset,每批次加载4张图,true表示重新混合,有2个子流程用于数据加载
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, # 下载测试集的数据
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
#开始训练网络
for epoch in range(2): # 多次遍历数据集
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data
# zero the parameter gradients
optimizer.zero_grad() #将梯度参数清零
# forward + backward + optimize
outputs = net(inputs) #网络的输出
loss = criterion(outputs, labels) #计算误差
loss.backward() #反向传播
optimizer.step() #权重更新
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
#将训练好的网络参数保存起来
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)
程序会输出训练过程中网络的误差,可以看到它是在逐渐减小的。