pytorch 入门（4）

模型训练流程：

准备数据集

train_data=torchvision.datasets.CIFAR10(root='D:\yw_app\pycharm\Pycharm_project\pytorch\datasets',train=True,transform=torchvision.transforms.ToTensor(),
                                        download=True)
test_data=torchvision.datasets.CIFAR10(root='D:\yw_app\pycharm\Pycharm_project\pytorch\datasets',train=False,transform=torchvision.transforms.ToTensor(),
                                        download=True)

可查看数据集大小：

train_data_size=len(train_data)
test_data_size=len(test_data)
print('训练集的长度是:{}'.format(train_data_size))
print('测试集的长度是:%s'%test_data_size)

加载数据集

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

搭建网络

可单独创建一个.py文件存放网络，在train文件中import来使用

model.py：

import torch
from torch import nn

#搭建模型
class Tudui(nn.Module):

    def __init__(self) -> None:
        super().__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

#验证网络正确性
if __name__ == '__main__':
    tudui=Tudui()
    input=torch.ones((64,3,32,32))#给定输入尺寸 64张3*32*32的图片
    output=tudui(input)
    print(output.shape)#torch.Size([64, 10]) 输出64行，对应64张图片，每行是十种分类的可能概率

创建网络模型

tudui=Tudui()

创建损失函数

loss_fn=nn.CrossEntropyLoss()#交叉熵损失函数

 交叉熵损失函数，用于分类问题，值越小，训练效果越好

创建优化器

learning_rate=0.01 #1e-2
optim_fn=torch.optim.SGD(tudui.parameters(),lr=learning_rate)#随机梯度下降

设置网络训练参数

#记录训练的次数
total_train_step=0
#记录测试的次数
total_test_step=0
#记录训练轮数
epoch=10

训练轮数——每轮训练整体50000张图片，轮数越多，模型准确率越高

训练次数——每次训练一个batch_size（64）的图片，每轮要训练50000/64次

可视化训练结果

训练部分：

writer=SummaryWriter('./logs_train')

for i in range(epoch):
    print('----------第{}轮训练开始--------'.format(i+1))
    #训练步骤开始

    tudui.train()#有dropout和BatchNorm层时使用
    for data in train_dataloader:
        imgs,targets=data #获取数据集，图片，targets
        output=tudui(imgs) #将图片放入网络
        loss=loss_fn(output,targets) #比较误差值

        #优化器优化模型
        optim_fn.zero_grad() #使用优化器之前，先梯度清零
        loss.backward() #利用损失求每个节点梯度
        optim_fn.step() #优化器优化参数

        total_train_step+=1
        if total_train_step%100==0:#每100次打印一次，更美观
            print('训练次数：{}，Loss：{}'.format(total_train_step,loss.item()))
            writer.add_scalar('train_loss',loss.item(),total_train_step)

 

测试部分:

for i in range(epoch):
    ---------------------
    -------训练部分------

    tudui.eval()#有dropout和BatchNorm层时使用
    total_test_loss=0
    total_accuracy=0
    with torch.no_grad():#不需要梯度，用训练好的模型参数验证测试集
        for data in test_dataloader:
            imgs, targets = data  # 获取数据集，图片，targets
            output = tudui(imgs)  # 将图片放入网络
            loss = loss_fn(output, targets)  # 计算每次损失值
            total_test_loss=total_test_loss+loss.item() #累计每轮损失值
            accuracy=(output.argmax(1)==targets).sum() #输出output是64*10，每行取最大值argmax(1)，每列取最大值argmax(0) 计算每次准确率
            total_accuracy=total_accuracy+accuracy #累计每轮准确率

    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)
    writer.add_scalar('test_accuracy',total_accuracy/test_data_size,total_test_step)
    total_test_step+=1    

每轮:       每次训练

                 获取一个batch_size(64)的图片及对应targets

                将图片送入网络

                计算损失值

                优化器清零梯度

                利用误差反向传播

                优化器优化参数

                每100次

                打印一次训练次数，绘制此时损失值图

                达到50000/64次，一轮训练部分完成，开始测试部分

                设置初始损失值=0，准确率 =0

                每次测试

                 获取一个batch_size(64)的图片及对应targets

                 将图片送入网络

                计算每次损失值

                累计每轮损失值

                计算每次准确率

                累计每轮准确率

                达到10000/64次，一轮测试部分完成

                绘制一轮的测试损失值图，打印准确率

模型保存

for i in range(epoch):
     -----------------------------
     ----------训练部分------------
     -----------------------------

     -----------------------------
     ----------测试部分------------
     -----------------------------
     torch.save(tudui,'tudui_{}.pth'.format(i))
     #torch.save(tudui.state_dict(),'tudui_{}.pth'.format(i))
     print('第{}轮模型已保存'.format(i+1))
writer.close()

保存每轮的训练参数

结果

训练细节

模型.train（），模型.eval（）在含dropout层和BatchNorm时使用

GPU训练