以CIFAR10数据集为例子。
长个知识:
字符串格式化
print("训练数据集的长度为{}:".format(train_data_size))
{}会被.format里面的东西替换掉
一、准备数据集
#准备数据集
train_data=torchvision.datasets.CIFAR10("./P27_datasets",train=True,
transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10("./P27_datasets",train=False,
transform=torchvision.transforms.ToTensor(),
download=True)
二、获取数据集的长度
#获取数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)
#如果train_dataset_size=10 输出为
#训练数据集的长度为:10
print("训练数据集的长度为{}:".format(train_data_size))
print("测试数据集的长度为{}:".format(test_data_size))
也可以是
也可以是print(f'训练数据集的长度为{train_data_size}张')
print(f'测试数据集的长度为{test_data_size}张')
三、加载数据集(dataloader)
#加载数据集
from torch.utils.data import DataLoader
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
四、创建神经网络:
#搭建神经网络
#依据第一次搭建的图
from torch import nn
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model=nn.Sequential(
nn.Conv2d(3,32,kernel_size=5,stride=1,padding=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
为了显得专业,我们可以把神经网络单独写进一个py文件里。
然后调用他
新建一个py文件
from torch import nn
import torch
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model=nn.Sequential(
nn.Conv2d(3,32,kernel_size=5,stride=1,padding=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
if __name__=='__main__':
tudui=Tudui()
input=torch.ones((64,3,32,32))
output=tudui(input)
print(output.shape)
为了验证我们网络的正确性,新建一个input变量,全是1。
点此处运行
结果:
torch.Size([64, 10])
//最终返回了64行 代表输入的batchsize=64张图片
10列 代表每张图片对应每一类的神经网络模型输出值,因为还没归一化等操作
输出的并非概率!
五、导入自己的神经网络:
mark down dir as
标记目录为根源就好了
import torch
import torchvision
from torch.utils.data import DataLoader
from P27_neutral_net_model import *
#准备数据集
train_data=torchvision.datasets.CIFAR10("./P27_datasets",train=True,
transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10("./P27_datasets",train=False,
transform=torchvision.transforms.ToTensor(),
download=True)
#获取数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)
#如果train_dataset_size=10 输出为
#训练数据集的长度为:10
print("训练数据集的长度为{}:".format(train_data_size))
print("测试数据集的长度为{}:".format(test_data_size))
#加载数据集
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
#搭建神经网络
#依据第一次搭建的图
# class Tudui(nn.Module):
# def __init__(self):
# super(Tudui, self).__init__()
# self.model=nn.Sequential(
# nn.Conv2d(3,32,kernel_size=5,stride=1,padding=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
#这里注释掉是想引入自己的写的py文件
#创建网络:
tudui=Tudui()
六、创建损失函数,用交叉熵来:
#创建损失函数、
from torch import nn
loss_fn=nn.CrossEntropyLoss()
七、创建优化器(用SGD随机梯度下降):
#创建优化器
learning_rate=0.001
或者写成科学计数法
learning_rate=1e-2
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)
八、训练模型初步:
#设置训练网络的一些参数:
#记录训练记录
total_train_step=0
#记录测试的次数
toatl_test_step=0
#训练的轮数
epoch=10
for i in range(epoch):
print("--------第{}轮训练开始-----".format(i+1))
#训练开始
for data in train_dataloader:
imgs,targets=data
outputs=tudui(imgs)
loss=loss_fn(outputs,targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
#记录训练次数
total_train_step=total_train_step+1
print("训练次数:{},Loss:{}".format(total_train_step,loss))
全部代码:
import torch
import torchvision
from torch.utils.data import DataLoader
from P27_neutral_net_model import *
from torch import nn
#准备数据集
train_data=torchvision.datasets.CIFAR10("./P27_datasets",train=True,
transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10("./P27_datasets",train=False,
transform=torchvision.transforms.ToTensor(),
download=True)
#获取数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)
#如果train_dataset_size=10 输出为
#训练数据集的长度为:10
print("训练数据集的长度为{}:".format(train_data_size))
print("测试数据集的长度为{}:".format(test_data_size))
#加载数据集
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
#搭建神经网络
#依据第一次搭建的图
# class Tudui(nn.Module):
# def __init__(self):
# super(Tudui, self).__init__()
# self.model=nn.Sequential(
# nn.Conv2d(3,32,kernel_size=5,stride=1,padding=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
#这里注释掉是想引入自己的写的py文件
#创建网络:
tudui=Tudui()
#创建损失函数
loss_fn=nn.CrossEntropyLoss()
#创建优化器
learning_rate=0.001
#或者写成科学计数法
#learning_rate=1e-2
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)
#设置训练网络的一些参数:
#记录训练记录
total_train_step=0
#记录测试的次数
toatl_test_step=0
#训练的轮数
epoch=10
for i in range(epoch):
print("--------第{}轮训练开始-----".format(i+1))
#训练开始
for data in train_dataloader:
imgs,targets=data
outputs=tudui(imgs)
loss=loss_fn(outputs,targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
#记录训练次数
total_train_step=total_train_step+1
print("训练次数:{},Loss:{}".format(total_train_step,loss))
运行一下看看效果:
损失在减小
九、正规写法
import torch
a=torch.tensor(5)
print(a)
print(a.item())
a.item会输出纯数字