CIFAR10模型代码详解——基于土堆教学的pytorch实现

---

前言

上传一下CIFAR10模型的pytorch代码，方便以后或者需要的人看。

---

一、CIFAR10模型结构

（1）输入input是3个通道的32x32大小的数据，该模型输入为cifar10
（2）经过一个5x5的kernelsize的卷积，变成32通道的32x32的大小，通道变成32是因为用了32个3x5x5的卷积核，每一个卷积核生成一个输出通道，且每个输出通道由RGB三个通道的卷积核滑动输出值相加得到，就是说一个3x5x5的卷积核分别在输入数据的3个通道上滑动，输出的3个通道的值加起来，共1x32x32（没看懂慢慢细品）
（3）经过一个最大池化，尺寸减半为32通道的16x16大小（最大池化不改变通道数）
（4）再经过一次卷积，通道数和尺寸没变，还是32x16x16
（5）再经过一次最大池化，尺寸减半为32通道的8x8大小
（6）再经过一次卷积，通道数变为64，尺寸不变
（7）再经过一次最大池化，尺寸减半为64通道的4x4大小
（8）Flatten展开为64x4x4大小的64通道的1行（4x4方队变1行长队伍）
（9）通过全连接层把输出变为10（cifar10有10个类）

二、代码

1.model（网络结构）部分

代码如下：

import torch
from torch import nn


class Tudui(nn.Module):
    def __init__(self):
        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(1024, 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)

2.训练部分

代码如下：

import torch
import torchvision.datasets
from tensorboardX import SummaryWriter
from torch import nn
from torch.utils.data import DataLoader

from model import Tudui
import time

train_data=torchvision.datasets.CIFAR10(root="./data",train=True,transform=torchvision.transforms.ToTensor(),
                                        download=True)
test_data=torchvision.datasets.CIFAR10(root='./data',train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)
train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练集的长度为:{}".format(train_data_size))
print("测试机的长度为:{}".format(test_data_size))

train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

#创建网络模型
tudui=Tudui()

#损失函数
loss_fn=nn.CrossEntropyLoss()

#优化器
learning_rate=0.01
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)

#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("log")

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
    tudui.train()
    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()

        total_train_step+=1
        if total_train_step%100==0:
            end_time=time.time()
            print(end_time-start_time)
            print("训练次数:{},loss:{}".format(total_train_step,loss.item()))
            writer.add_scalar("train_loss",loss.item(),total_train_step)

    #测试步骤开始
    tudui.eval()
    total_test_loss=0
    total_accuracy=0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets=data
            outputs=tudui(imgs)
            loss=loss_fn(outputs,targets)
            total_test_loss=total_test_loss+loss.item()
            accuracy=(outputs.argmax(1)==targets).sum()
            total_accuracy=total_accuracy+accuracy
    print("整体测试集上的loss：{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    total_test_step+=1

    torch.save(tudui,"tudui_{}.pth".format(i))
    #torch.save(tudui.state_dict(),"tudui_{}.pth".format(i))
    print("模型已保存")
writer.close()

把model代码建立一个python文件命名为model，再建立一个新的python文件存放训练部分，其中的from model import Tudui就可以调用model文件的类啦，然后直接运行训练部分文件即可。

3.训练部分（gpu）

训练默认使用cpu，可能有点慢，想快一点需要调用gpu那么代码需要做一些修改
代码如下：

import torch
import torchvision.datasets
from tensorboardX import SummaryWriter
from torch import nn
from torch.utils.data import DataLoader

from model import Tudui
import time

train_data=torchvision.datasets.CIFAR10(root="./data",train=True,transform=torchvision.transforms.ToTensor(),
                                        download=True)
test_data=torchvision.datasets.CIFAR10(root='./data',train=False,transform=torchvision.transforms.ToTensor(),
                                       download=True)
train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练集的长度为:{}".format(train_data_size))
print("测试机的长度为:{}".format(test_data_size))

train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

#创建网络模型
tudui=Tudui()
tudui=tudui.cuda()

#损失函数
loss_fn=nn.CrossEntropyLoss()

#优化器
learning_rate=0.01
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)

#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=100
#添加tensorboard
writer=SummaryWriter("log")
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
    tudui.train()
    for data in train_dataloader:
        imgs,targets=data
        imgs=imgs.cuda()
        targets=targets.cuda()
        outputs=tudui(imgs)
        loss=loss_fn(outputs,targets)

        #优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step+=1
        if total_train_step%100==0:
            end_time=time.time()
            print(end_time-start_time)
            print("训练次数:{},loss:{}".format(total_train_step,loss.item()))
            writer.add_scalar("train_loss",loss.item(),total_train_step)

    #测试步骤开始
    tudui.eval()
    total_test_loss=0
    total_accuracy=0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets=data
            imgs=imgs.cuda()
            targets=targets.cuda()
            outputs=tudui(imgs)
            loss=loss_fn(outputs,targets)
            total_test_loss=total_test_loss+loss.item()
            accuracy=(outputs.argmax(1)==targets).sum()
            total_accuracy=total_accuracy+accuracy
    print("整体测试集上的loss：{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    total_test_step+=1

    torch.save(tudui,"./pth/tudui_{}.pth".format(i))
    #torch.save(tudui.state_dict(),"tudui_{}.pth".format(i))
    print("模型已保存")
writer.close()

---

总结

本文详细介绍了CIFAR10模型结构及其pytorch实现代码，有问题欢迎评论或私信联系。