pytorch完整为网络模型训练（CIFAR10）

完整网络模型

网络模型

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),
            #z展平后大概有64*4*4个像素
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.Linear(64,10)
        )
    def forward(self,x):
        x=self.model(x)
        return x
#创建一个主方法
# if __name__ == '__main__':
#     tudui=Tudui()
#     input=torch.ones(64,3,32,32)
#     output=tudui(input)
#     print(output.shape)

训练代码

// An highlighted block
import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from train_cidair10_model import *

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)
#len 获得数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)

#字符串格式化，将变量train_data_size替换
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))

#利用dataloader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（CIFAR10有十个类别，所以此网络应该是10分类）,挪到train_cidair10_model.py文件中

#创建网络模型
tudui=Tudui()
#创建损失函数
loss_fuun=nn.CrossEntropyLoss()
#定义优化器
#1e-2=1*(10)^(-2)=1/100=0.01
learning_rate=1e-2
optimi=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


for i in range(epoch):
    print("-----------第{}轮训练----------".format(i+1))
    #训练开始
    for data in train_dataloader:
        img,tagets=data
        output=tudui(img)
        #tagets是本来的样本类别，output是训练后得出的样本类别
        loss=loss_fuun(output,tagets)
        #优化器优化模型
        optimi.zero_grad()
        loss.backward()
        optimi.step()
        total_train_step=total_train_step+1
        if total_train_step%100==0:
            print("训练次数：{}，loss:{}".format(total_train_step,loss.item()))
 
   

添加测试代码

 with torch.no_grad():
         for data in test_dataloader:
             img,target=data
             output=tudui(img)
             loss=loss_fuun(output,target)
             total_test_loss+=loss
    print("整体数据集的loss是：{}".format(total_test_loss))

使用tensorboard显示

#添加tensorboard
writer=SummaryWriter("./log_train_loss")
...
for i in range(epoch):
    print("-----------第{}轮训练----------".format(i+1))
    #训练开始
    for data in train_dataloader:
        img,tagets=data
        output=tudui(img)
        #tagets是本来的样本类别，output是训练后得出的样本类别
        loss=loss_fuun(output,tagets)
        #优化器优化模型
        optimi.zero_grad()
        loss.backward()
        optimi.step()
        total_train_step=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)
    #此处代码就没有调优
    total_test_loss=0
    with torch.no_grad():
         for data in test_dataloader:
             img,target=data
             output=tudui(img)
             loss=loss_fuun(output,target)
             total_test_loss+=loss
    print("整体数据集的loss是：{}".format(total_test_loss))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    total_test_step+=1
    
    #保存每一轮训练的模型
    torch.save(tudui,"tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

完整训练、测试代码（部分优化代码）

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

from train_cidair10_model import *

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)
#len 获得数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)

#字符串格式化，将变量train_data_size替换
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))

#利用dataloader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（CIFAR10有十个类别，所以此网络应该是10分类）,挪到train_cidair10_model.py文件中

#创建网络模型
tudui=Tudui()
#创建损失函数
loss_fuun=nn.CrossEntropyLoss()
#定义优化器
#1e-2=1*(10)^(-2)=1/100=0.01
learning_rate=1e-2
optimi=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_train_loss")

for i in range(epoch):
    print("-----------第{}轮训练----------".format(i+1))
    #训练开始
    for data in train_dataloader:
        img,tagets=data
        output=tudui(img)
        #tagets是本来的样本类别，output是训练后得出的样本类别
        loss=loss_fuun(output,tagets)
        #优化器优化模型
        optimi.zero_grad()
        loss.backward()
        optimi.step()
        total_train_step=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)

    #测试步骤的开始
    #此处代码就没有调优
    total_test_loss=0
    #整体正确率
    total_accuracy=0
    with torch.no_grad():
         for data in test_dataloader:
             img,target=data
             output=tudui(img)
             loss=loss_fuun(output,target)
             total_test_loss+=loss
             accuracy=(output.argmax(1)==target).sum()
             total_accuracy+=accuracy
    print("整体数据集的loss是：{}".format(total_test_loss))
    print("整体测试集上的正确率是：{}",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


    #保存每一轮训练的模型
    torch.save(tudui,"tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()