Pytorch-学习笔记-模型训练实战

最新推荐文章于 2024-06-27 10:13:18 发布

Dawn向阳而生

最新推荐文章于 2024-06-27 10:13:18 发布

阅读量215

点赞数

分类专栏： pytorch学习笔记

本文链接：https://blog.csdn.net/weixin_52646021/article/details/118792203

版权

pytorch学习笔记专栏收录该内容

30 篇文章 3 订阅

订阅专栏

学这个也有两周了，现在跟着网上的视频，也该要尝试做一些实战性的东西了，不管能否成功，迈出第一步总是很艰难的，而且再训练的过程中我还有疑惑没有解决呢，下面我会把代码贴出来，然后注释每行代码的含义，希望大家都养成一个好习惯，贴代码的时候注释清楚每行代码的含义，不让你贴的这个代码只有你自己知道，感觉博主就跟傻逼没啥区别，废话不多说
首先贴出网络模型

#搭建神经网络
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear


class NNET(nn.Module):
    def __init__(self):
        super(NNET, self).__init__()
        self.modle=nn.Sequential(
            Conv2d(3, 32, 5, 1,2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, 1,2),
            MaxPool2d(2),
            Conv2d(32, 64, 5,1, 2),
            MaxPool2d(2),
            Flatten(),
            Linear(64*4*4, 64),
            Linear(64, 10)
        )
        pass
    def forward(self,x):
        x=self.modle(x)
        return x
    pass
if __name__ == '__main__':
    nnet=NNET()
    input=torch.ones((64,3,32,32))
    output=nnet(input)
    print(output.shape)

然后贴出训练过程

import torch
import torchvision
import math
#准备数据集
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from  model import  *
train_data=torchvision.datasets.CIFAR10(root='./dataset',
                                        train=True,
                                        transform=torchvision.transforms.ToTensor(),
                                        download=True)#训练数据集
test_data=torchvision.datasets.CIFAR10(root='./dataset',
                                       train=False,
                                       transform=torchvision.transforms.ToTensor(),
                                       download=True
                                       )#测试数据集
#查看数据集的大小
train_data_size=len(train_data)#获取数据集的长度len 50000
test_data_size=len(test_data)# 10000
print('训练数据集的长度为:{}'.format(train_data_size))#format字符串格式化，会把format中的变量替换掉{}
print('测试数据集的长度为:{}'.format(test_data_size))
#利用DataLoader来加载数据集
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
#创建网络模型
nnet=NNET()
#创建损失函数
loss_func=nn.CrossEntropyLoss()#会返回结果
#定义优化器
learn_rate=0.01
optimizer=torch.optim.SGD(nnet.parameters(),lr=learn_rate)
#设置训练网络的一些参数
total_train_step=0#用这个变量计算训练的步数
#记录测试的次数
total_test_step=0
#添加tensorboard
writer=SummaryWriter('log_test')
#训练的轮数
epoch=10
for i in range(epoch):
    print('-----第{}轮训练开始-------'.format(i+1))#由于是从0开始的，0就是第一次，所以要加1变成真正的1
    #训练开始
    for data in train_dataloader:
        imgs,targets=data
        output=nnet(imgs)
        #得到的输出要和真正的目标去对比，看误差是多少，用损失函数
        loss=loss_func(output,targets)
        #开始优化，利用优化器把梯度清零（优化器优化模型）
        optimizer.  zero_grad()#梯度清零
        loss.backward()#利用损失的反向传播，得到每个参数点的梯度
        optimizer.step()#再次调用优化器对参数进行优化
        #训练完毕训练次数加1
        total_train_step+=1
        if total_train_step%100==0:
            print('训练次数：{}，loss：{}'.format(total_train_step,loss.item()))
            writer.add_scalar('train_loss',loss.item(),total_train_step)
    #现在模型训练完了，我们怎么知道我们训练的模型有没有达到想要的需求，我们可以在每次训练完一轮之后进行测试，在测试训练集上跑一边
    #测试步骤开始
    total_test_loss=0
    total_accuracy=0#整体正确的个数
    with torch.no_grad():#不需要计算梯度，也不需要进行反向传播
        for data in test_dataloader:
            imgs,targets=data
            output=nnet(imgs)#预测的概率
            loss=loss_func(output,targets)#结果是一维的tensor数据类型
            total_test_loss=total_test_loss+loss.item()
            #accuracy=(output.argmax(1)==targets).sum()#tensor数据类型,计算对应位置相等的个数
            accuracy=(output.argmax(1)==targets).sum()
            total_accuracy=total_accuracy+accuracy#tensor数据类型
    print('整体测试集上的loss:{}'.format(total_test_loss))
    print('整体测试集上的正确率为:{}'.format(total_accuracy.item()/test_data_size))#.item()的作用是把1*1的张量转化为标量
    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
    #保存每一轮的训练结果
    torch.save(nnet,'nnet_{}.pth'.format(i))
    print('模型已经保存')
    pass
writer.close()