pytorch的基本组成结构：torchvision.datasets和models 、 torch.nn 、torch.autograd.Variable 、 torch.optim

最新推荐文章于 2023-05-22 18:42:57 发布

AIchiNiurou

最新推荐文章于 2023-05-22 18:42:57 发布

阅读量197

点赞数

分类专栏：学习工具及问题记录

本文链接：https://blog.csdn.net/weixin_44523062/article/details/107523971

版权

本文介绍了PyTorch中的关键模块，包括torchvision.datasets用于数据加载，torchvision.models包含预训练模型，torch.nn构建神经网络结构，torch.autograd.Variable实现自动梯度计算，以及torch.optim提供优化算法。通过这些组件，开发者可以高效地进行深度学习实验。

摘要由CSDN通过智能技术生成

在这里插入图片描述

以下代码参考：
https://blog.csdn.net/wsp_1138886114/article/details/83717787


torchvision： PyTorch框架中的包
.
├── torchvision.datasets                自带的数据集
|   ├── MNIST、COCO(图像标注/目标检测)、CIFAR10/CIFAR100
|   └── LSUN Classification、ImageFolder、Imagenet-12、STL10
|
├── torchvision.models                  自带的当前流行模型
|   └──AlexNet、VGG、ResNet、SqueezeNet、DenseNet
|
├── torchvision.transforms              数据处理
|   └── transforms.Compose(transforms)  一系列的transforms 操作
|       └── data augmentation           包含resize、crop等常见数据增强操作
|           ├──transformas.py
|           └──functional.py
└─── torchvision.utils
     ├── torchvision.utils.make_grid 
     └── torchvision.utils.save_image

from __future__ import print_function, division

import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.autograd import Variable
import torchvision
from torchvision import datasets, models, transforms
import time
import os

def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    """
    在每个epoch开始时都需要如下更新：
    scheduler.step()                    模型调度 
    model.train(True)                   设置模型状态为训练状态
    optimizer.zero_grad()               将网络中的所有梯度置0
    outputs = model(inputs)             数据输入：网络的前向传播了
    torch.max(outputs.data, 1)          模型预测该样本属于哪个类别，torch.max（tensor格式，每一行的最大值）
    loss = criterion(outputs, labels)   输出outputs和原labels作为loss函数的输入就可以得到损失
    loss.backward()                     回传损失（只训练时用）
    optimizer.step()                    更新参数
    """
    since = time.time()

    best_model_wts = model.state_dict()
    best_acc = 0.0

    for epoch in range(num_epochs):
        print