使用GPU训练
方式1
找到网络模型👉找到数据(输入,标注)👉找到损失函数,找到这三种变量,调用.cuda()后,会有一个返回值,再把原来的值覆盖就行。
不能在训练数据集、优化集上调用.cuda()。
案例代码👇
if torch.cuda.is_available():
tudui = tudui.cuda()
imgs , targets = imgs.cuda() ,targets.cuda()#训练和测试方法都要
loss_fn = loss_fn.cuda()
完整代码👇
# 引入模型
import torch
import torchvision
from tensorboardX import SummaryWriter
from torch.utils.data import DataLoader
from P27_model import *
# 准备训练数据集
train_data = torchvision.datasets.CIFAR10(root="hymenoptera_data/train/CIFAR10", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
# 准备测试数据集
test_data = torchvision.datasets.CIFAR10(root="hymenoptera_data/val/CIFAR10", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# 如果想要训练数据集有多少张图片,测试数据集有多少张图片,下面代码可以做到👇
train_data_length = len(train_data)
test_data_length = len(test_data)
# 该写法于python中较为常见
print("训练数据集的长度为:{}".format(train_data_length))
print("测试数据集的长度为:{}".format(test_data_length))
# 利用DataLoader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
tudui = Tudui()
# 创建损失函数
# 因为这个是分类问题,所以可以用交叉熵,参数暂时用不到
loss_fn = nn.CrossEntropyLoss()
# 定义优化器,用随机梯度下降,parameters一定要填,学习速率也要填。
learning_rate = 1e-2 # 方便提取
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)
# 1e-2 = 0.01
# 设置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
# 训练的轮数
epoch = 10
#添加tensorboard
writer = SummaryWriter("tb_logs")
for i in range(epoch):
print("--------第{}轮训练开始--------".format(i + 1))
# 训练步骤开始
for data in train_dataloader:
imgs, targets = data
# 分别取得训练数据,并放入网络当中
# print(F"imgs = {imgs}")
# print(F"targets = {targets}")
outputs = tudui(imgs)
# print(F"outputs = {outputs}")
# 这个输出结果是
# 得到输出之后,要放入损失函数中,看与targets相差多少
loss = loss_fn(outputs, targets)
# 优化器优化模型
# 进行优化,要记住利用优化器对梯度清0
optimizer.zero_grad()
# 清零之后,可以用损失所得值进行反向传播,得到每个参数之间的梯度
loss.backward()
# 调用该方法,就可以对其中参数进行优化
optimizer.step()
# 因为已经做了一次优化,所以可以对优化次数加1
total_train_step = total_train_step + 1
if (total_train_step % 100 )==0:
print("训练次数:{} , loss:{}".format(total_train_step, loss.item()))
#更方便查看训练次数
#可以把每一次的训练记录,逢百记录
print(F"the orignal loss is {loss}")
print(F"the orignal loss type is {type(loss)}")
print(F"the final loss.item() is {loss.item()}")
print(F"the final loss.item() type is {type(loss.item())}")
writer.add_scalar("train_loss" , loss.item() , total_train_step)
#原先的loss是torch类型,使用loss.item()后它就成了float类型
#测试数据的损失
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
#没有梯度,就不能对其进行调优
#测试步骤开始,for 以及with属于同一级
for data in test_dataloader:
imgs , targets = data
#把测试数据集中的数据放入网络中,得到一个输出
outputs = tudui(imgs)
#比较输出与真实的targets之间的误差
loss = loss_fn(outputs , targets )
#一般是在测试过程中,看网络模型在整体数据集上的误差/正确率
#现在的loss只是一部分数据在网络模型上的损失,但是目的是求整个数据集上的Loss
total_test_loss = total_test_loss +loss
#这部分运行结束,相当于把所有损失加在一块
#添加每次一小部分数据,正确的个数有多少,就等于outputs最大的有多少,方向是横向的,所以是1
#又要与真实的targets进行相比,得出true , false等于多少,接下来再求和
print('='*100)
print(F"outputs = {outputs}")
print(F"outputs.argmax(1) = {outputs.argmax(1)}")
#outputs是一个矩阵,每一行代表一个数据,每一列代表一个数据对应10个类别的得分
#argmax,参数为1时,计算每一行/每一个数据得分最高的数值在该行的索引值
#argmax,参数为0时,计算每一列/每个类别得分最高的数值的索引
print(F"outputs.argmax(0) = {outputs.argmax(0)}")
print("="*100)
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy+accuracy
print(f"整体测试集的loss:{total_test_loss}")
print(f"整体测试集上的total_accuracy:{total_accuracy/test_data_length}")
writer.add_scalar(tag = "test_loss" , scalar_value = total_test_loss , global_step = total_test_step)
writer.add_scalar(tag = "test_accuracy" , scalar_value = total_accuracy/test_data_length ,
global_step = total_test_step)
total_test_step = total_test_step+1
print(f"--------第{i+1}轮测试开始")
或者就是用Google的Colab。每周可以免费使用30个小时。
方式2
对网络模型、数据、损失函数使用.to(device)并赋值。但网络模型、损失函数不赋值也可以。
比如网络模型👇
tudui = torch.device("cuda")
#相当于
tudui.to(device)
device = torch.device("cpu")
#表示device为CPU
torch.device("cuda")#对于单显卡,第四行第五行写法一样
torch.device("cuda:0")#指定第一张显卡
torch.device("cuda:1")#指定第二张显卡
用方式2完整代码👇
# 引入模型
import time
import torch
import torchvision
from torch.utils.data import DataLoader
from P27_model import *
# 准备训练数据集
train_data = torchvision.datasets.CIFAR10(root="hymenoptera_data/train/CIFAR10", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
# 准备测试数据集
test_data = torchvision.datasets.CIFAR10(root="hymenoptera_data/val/CIFAR10", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# 如果想要训练数据集有多少张图片,测试数据集有多少张图片,下面代码可以做到👇
train_data_length = len(train_data)
test_data_length = len(test_data)
# 该写法于python中较为常见
print("训练数据集的长度为:{}".format(train_data_length))
print("测试数据集的长度为:{}".format(test_data_length))
# 利用DataLoader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
device = torch.device("cuda")
# 创建网络模型
tudui = Tudui()
tudui.to(device )
# 创建损失函数
# 因为这个是分类问题,所以可以用交叉熵,参数暂时用不到
loss_fn = nn.CrossEntropyLoss()
loss_fn.to(device)
# 定义优化器,用随机梯度下降,parameters一定要填,学习速率也要填。
learning_rate = 1e-2 # 方便提取
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)
# 1e-2 = 0.01
# 设置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
# 训练的轮数
epoch = 10
if torch.cuda.is_available():
tudui = tudui.cuda()
loss_fn = loss_fn.cuda()
start_time = time.time()
for i in range(epoch):
print("--------第{}轮训练开始--------".format(i + 1))
# 训练步骤开始
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
# 分别取得训练数据,并放入网络当中
# print(F"imgs = {imgs}")
# print(F"targets = {targets}")
outputs = tudui(imgs)
# print(F"outputs = {outputs}")
# 这个输出结果是
# 得到输出之后,要放入损失函数中,看与targets相差多少
loss = loss_fn(outputs, targets)
# 优化器优化模型
# 进行优化,要记住利用优化器对梯度清0
optimizer.zero_grad()
# 清零之后,可以用损失所得值进行反向传播,得到每个参数之间的梯度
loss.backward()
# 调用该方法,就可以对其中参数进行优化
optimizer.step()
# 因为已经做了一次优化,所以可以对优化次数加1
total_train_step = total_train_step + 1
if (total_train_step % 100 )==0:
final_time = time.time()
now = final_time - start_time
print(f"训练{total_train_step}次耗时{now}秒")
print("训练次数:{} , loss:{}".format(total_train_step, loss.item()))
#更方便查看训练次数
#可以把每一次的训练记录,逢百记录
# print(F"the orignal loss is {loss}")
# print(F"the orignal loss type is {type(loss)}")
# print(F"the final loss.item() is {loss.item()}")
# print(F"the final loss.item() type is {type(loss.item())}")
# writer.add_scalar("train_loss" , loss.item() , total_train_step)
#测试数据的损失
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
#没有梯度,就不能对其进行调优
#测试步骤开始,for 以及with属于同一级
for data in test_dataloader:
imgs , targets = data
imgs = imgs.to(device)
targets = targets.to(device)
#把测试数据集中的数据放入网络中,得到一个输出
outputs = tudui(imgs)
#比较输出与真实的targets之间的误差
loss = loss_fn(outputs , targets )
#一般是在测试过程中,看网络模型在整体数据集上的误差/正确率
#现在的loss只是一部分数据在网络模型上的损失,但是目的是求整个数据集上的Loss
total_test_loss = total_test_loss +loss
#这部分运行结束,相当于把所有损失加在一块
#添加每次一小部分数据,正确的个数有多少,就等于outputs最大的有多少,方向是横向的,所以是1
#又要与真实的targets进行相比,得出true , false等于多少,接下来再求和
# print('='*100)
# print(F"outputs = {outputs}")
# print(F"outputs.argmax(1) = {outputs.argmax(1)}")
# print(F"outputs.argmax(0) = {outputs.argmax(0)}")
# print("="*100)
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy+accuracy
if (total_train_step % 100 )==0:
print(f"整体测试集的loss:{total_test_loss}")
print(f"整体测试集上的total_accuracy:{total_accuracy/test_data_length}")
# writer.add_scalar(tag = "test_loss" , scalar_value = total_test_loss , global_step = total_test_step)
# writer.add_scalar(tag = "test_accuracy" , scalar_value = total_accuracy/test_data_length ,
# global_step = total_test_step)
total_test_step = total_test_step+1
完整的模型验证套路
完整的模型验证(测试,demo)套路—利用已经训练好的模型,然后给它提供输入。与训练模型测试的部分写的差不多。
from PIL import Image
image_path = "../imgs/dog.png"
image = Image.open(image_path)
image = image.convert('RGB')
print(image)
transform = torchvision.transforms.Compose(
torchvision.transforms.Resize( ( 32, 32 )),
torchvision.transforms.ToTensor()
)
image = transform(image)
print(image.shape)
class Tudui(nn.Module):
def __init__(self) -> None:
super(Tudui, self).__init__()
self.model = 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(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
#加载网络模型
model = torch.load("tudui_0.pth")
print(model)
image = torch.reshape(image , (1, 3, 32 ,32))#转换类型,1batch_size(一次一张图片),3通道,32×32
model.eval()#把模型转换为测试类型
with torch.no_grad():#节约内存,节约性能
output = model(image)
print(output)
print(output.argmax(1))
在第5行要加image = image.convert(“RGB”)
因为png格式是4个通道,除了RGB三通道外,还有一个透明度通道。所以,我们调用image = image.convert(‘RGB’),保留其颜色通道。当然,如果图片本来就是三个颜色通道,经过此操作,不变。加上这一步后,可以适应png , jpg各种格式的图片。