b站小土堆pytorch教程学习笔记
一、从零开始构建自己的神经网络
1.模型构建
#准备数据集
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch.utils.data import DataLoader
train_data=torchvision.datasets.CIFAR10('dataset',train=True,
transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10('dataset',train=False,
transform=torchvision.transforms.ToTensor(),
download=True)
#查看训练数据集和测试集大小
train_data_size=len(train_data)
test_data_size=len(test_data)
print('训练数据集长度为：{}'.format(train_data_size))#训练数据集长度为：50000
print('测试数据集长度为：{}'.format(test_data_size))#测试数据集长度为：10000
#利用datalo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，在model文件中搭建网络，在此文件中引用
han=Han()
#损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
# learning_rate=0.01
learning_rate=1e-2
optimizer=torch.optim.SGD(han.parameters(),lr=learning_rate)
#设置训练网络的相关参数
total_train_step = 0#记录训练的次数
total_test_step = 0#记录测试的次数
epoch=10#训练轮数
#添加tensorboard
writer=SummaryWriter('logs/train')
for i in range(10):
print('-------第{}轮训练开始-------'.format(i+1))
for data in train_dataloader:
imgs,target=data
output=han(imgs)
loss=loss_fn(output,target)
#优化器优化模型
optimizer.zero_grad()#梯度清零
loss.backward()#反向传播计算梯度
optimizer.step()#参数优化
total_train_step=total_train_step+1
if total_train_step % 100==0:#逢100打印
print('训练次数：{},loss:{}'.format(total_train_step,loss.item()))#loss.item()取出tensor类型的数字
writer.add_scalar('train_loss',loss.item(),total_train_step)
#每训练完一轮将在测试集上跑一遍，评估其训练效果
total_test_loss=0
with torch.no_grad():
for data in test_dataloader:
imgs,target=data
output=han(imgs)
loss=loss_fn(output,target)
total_test_loss=total_test_loss+loss.item()
print('所有测试集上的损失:{}'.format(total_test_loss))
writer.add_scalar('test_loss',total_test_loss,total_test_step)
total_test_step+=1
#保存每一轮模型
torch.save(han,'han_{}.pth'.format(i))
print('模型已保存')
writer.close()
import torch
from torch import nn
class Han(nn.Module):
def __init__(self):
super(Han, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, kernel_size=5, stride=1, padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, kernel_size=5, stride=1, padding=2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, kernel_size=5, stride=1, padding=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
if __name__ == '__main__':
han=Han()
input=torch.ones(64,3,32,32)
output=han(input)
print(output.shape)#torch.Size([64, 10])10表示十个类别输出概率
结果如下：
2.使用argmax计算整体正确率
#每训练完一轮将在测试集上跑一遍，评估其训练效果
total_test_loss=0
total_acc=0
with torch.no_grad():
for data in test_dataloader:
imgs,target=data
output=han(imgs)
loss=loss_fn(output,target)
total_test_loss=total_test_loss+loss.item()
acc=(output.argmax(1)==target).sum()#(1)横着看
total_acc+=acc
print('所有测试集上的损失:{}'.format(total_test_loss))
print('整体测试集上的正确率：{}'.format(total_acc/test_data_size))
writer.add_scalar('test_loss',total_test_loss,total_test_step)
writer.add_scalar('test_acc', total_acc/test_data_size, total_test_step)
total_test_step+=1
整体测试集上的正确率：0.27480000257492065
3.当训练或测试时存在dropout层或batch normal层，则需要在训练训练和测试前加入：
#训练前
han.train()
#测试前
han.eval()
二、使用GPU
网络模型、数据（输入、标注）、损失函数调用cuda()
1.方式1
#模型
if torch.cuda.is_available():
han=han.cuda()
#损失函数
loss_fn=nn.CrossEntropyLoss()
loss_fn=loss_fn.cuda()
imgs,target=data
imgs=imgs.cuda()
target=target.cuda()
2.方式2
#定义训练设备
device=torch.device('cuda')
han=han.to(device)
imgs = imgs.to(device)
target = target.to(device)
