>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者:[K同学啊](https://mtyjkh.blog.csdn.net/)**
一、前期准备
1.配置环境
花了两天的时间配置深度学习环境,最后是看了B站上“小土堆”up主的教学视频才一步步学会!
import torch
# 设置硬件设备,如果有GPU则使用,没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)
torch.cuda.is_available是检查当前系统是否支持cuda,即是否有可用的GPU
2.导入数据
import torch
import torchvision
train_ds = torchvision.datasets.MNIST('data',
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
导入torchvision是用其中的torchvision.datasets数据库:
如何导入?
torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)
- 其中root是数据地址
- train分训练集和测试集
- transform选择一个你想要的数据转化函数,直接完成数据转化:
- torchvision.transforms.ToTensor()将图像数据转换为PyTorch张量(Tensor)的格式
- target_transform接受目标并对其进行转换的函数/转换
batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds,
batch_size=batch_size,
shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds,
batch_size=batch_size)
torch.utils.data.DataLoader
是Pytorch自带的一个数据加载器torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=None, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False, pin_memory_device='')
- dataset (string) :加载的数据集
- batch_size (int,optional) :每批加载的样本大小(默认值:1)
- shuffle (bool,optional) : 如果
shuffle
参数设置为True
,则在每个epoch开始时,DataLoader
会将数据集中的样本随机打乱顺序,确保每个epoch中的样本顺序不同。如果shuffle
参数设置为False
,则在每个epoch开始时,DataLoader
会按照数据集中样本的顺序逐个加载,不进行随机打乱。这种情况通常用于验证集或测试集,因为在这些情况下,我们通常希望保持数据的原始顺序,以便能够进行有序的评估。如果shuffle
参数设置为None
,则默认情况下,DataLoader
会根据数据集的大小自动判断是否需要进行洗牌。通常情况下,当数据集较大时会进行洗牌,而数据集较小时则不会进行洗牌。
# 取一个批次查看数据格式
# 数据的shape为:[batch_size, channel, height, weight]
# 其中batch_size为自己设定,channel,height和weight分别是图片的通道数,高度和宽度。
imgs, labels = next(iter(train_dl))
print(imgs.shape)
从训练数据加载器(train data loader)中获取一个批次的数据
train_dl
是一个 PyTorch 数据加载器(DataLoader),用于加载训练数据集。通常情况下,数据加载器会将数据集分成小批量(batches)进行处理。iter(train_dl)
将数据加载器转换为一个迭代器(iterator),使得我们可以使用 Python 的next()
函数来逐个访问数据加载器中的元素。next()
函数用于获取迭代器中的下一个元素。在这里,它被用来获取train_dl
中的下一个批量数据。imgs, labels = ...
这行代码是 Python 的解构赋值语法。它将从next()
函数返回的元素中提取出两个变量:imgs
和labels
。imgs
变量将包含一个批量的图像数据,而labels
变量将包含相应的标签数据。这些图像和标签是从训练数据集中提取的。
3.数据可视化
import numpy as np
# 指定图片大小,图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列,绘制第i+1个子图。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
#plt.show() 如果你使用的是Pycharm编译器,请加上这行代码
导入 NumPy 库,并将其命名为 np,用于处理数据数组。
plt.figure(figsize=(20, 5))
: 创建一个图形窗口,并指定图形的大小为20英寸宽、5英寸高。这将创建一个空白的图形窗口,用于展示图像。for i, imgs in enumerate(imgs[:20]):
这是一个 for 循环,遍历前 20 个图像。enumerate()
函数用于同时获取索引 i 和对应的图像 imgs。npimg = np.squeeze(imgs.numpy())
: 将 PyTorch 张量转换为 NumPy 数组,并使用np.squeeze()
函数将维度为 1 的轴压缩掉,以便正确展示图像。plt.subplot(2, 10, i+1)
: 在图形窗口中创建子图,分成2行10列,当前子图的索引为 i+1。这样可以将前 20 个图像依次展示在子图中。plt.imshow(npimg, cmap=plt.cm.binary)
: 使用plt.imshow()
函数绘制图像。npimg
是要绘制的图像数据,cmap=plt.cm.binary
指定了绘制的颜色映射为二值色,即黑白图像。plt.axis('off')
: 关闭坐标轴显示,使得图像更加清晰。plt.show()
: 展示图形窗口。
二、构建简单的CNN网络
对于一般的CNN网络来说,都是由特征提取网络和分类网络构成,其中特征提取网络用于提取图片的特征,分类网络用于将图片进行分类。
import torch.nn.functional as F
num_classes = 10 # 图片的类别数
class Model(nn.Module):
def __init__(self):
super().__init__()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层,池化核大小为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
def forward(self, x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = torch.flatten(x, start_dim=1)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
from torchinfo import summary
# 将模型转移到GPU中(我们模型运行均在GPU中进行)
model = Model().to(device)
summary(model)
三、训练模型
1.设置超参数、编写训练函数和测试函数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小,一共60000张图片
num_batches = len(dataloader) # 批次数目,1875(60000/32)
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距,targets为真实值,计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
def test (dataloader, model, loss_fn):
size = len(dataloader.dataset) # 测试集的大小,一共10000张图片
num_batches = len(dataloader) # 批次数目,313(10000/32=312.5,向上取整)
test_loss, test_acc = 0, 0
# 当不进行训练时,停止梯度更新,节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss
2.正式训练
epochs = 5
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%,Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
四、结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
五、总结
代码跑通的时候,激动的心情难以言表!
本节学会的内容:
1.CNN神经网络
2.一些python函数