优化器与现有网络模型的修改

news2024/9/22 15:46:47

一、优化器

optimizer = optim.SGD(model.parameters(), lr=0.01（学习速率）, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)

一般，学习率的设置，先从大的设置，逐渐变小。

神经网络可以参见上篇文章，接上篇文章的神经网络做模型优化：

sun = SUN() #调用神经网络
# 设置优化器
# 随机梯度下降
optim = torch.optim.SGD(sun.parameters(), lr=0.01)
# 循环学习20次
for epoch in range(20):
    # 整体误差的总和
    running_loss = 0.0
    # 只循环了一次，学习了一次，在外面再次加一个循环
    for data in dataloader:
        imgs, targets = data
        outputs = sun(imgs)
        result_loss = loss(outputs, targets)
        # 将模型中每一个可以调节参数对应的梯度调为零
        optim.zero_grad()
        # 得到可以调节参数的梯度
        result_loss.backward()
        optim.step()
        # 总体误差的总和
        running_loss = running_loss + result_loss
    print(running_loss)

输出结果为：

由输出结果可见，模型优化器，使得误差总和在不断的变小。

二、模型的使用与修改

import torchvision

下载的数据集存放位置：

在下载ImageNet数据集时，会出现报错，数据集有143G，已经不支持下载。设置语句：

vgg16_false = torchvision.models.vgg16(pretrained=False)

当为False时，只是加载网络模型（也就是像之前的网络模型那样，只是加载模型，含有卷积，池化等，其中的参数都是默认的）

vgg16_true = torchvision.models.vgg16(pretrained=True)

当为True时，不仅加载模型，还要加载对应的参数。

VGG16将数据集分成1000个类。

print(vgg16_true)

输出结果：

之前使用的数据集CIFAR10数据集输出的为10个分类，于是，我们也可以根据现有的网络进行修改：

import torchvision

# train_data = torchvision.datasets.ImageNet("../data_ImageNet", split='train', download= True,
#                                            transform=torchvision.transforms.ToTensor())
from torch import nn

vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)

print(vgg16_true)

# vgg16_true.add_module('add_linear', nn.Linear(1000,10))
# print(vgg16_true) 加在末尾

# 加在开头
vgg16_true.classifier.add_module('add_linear', nn.Linear(1000,10))
print(vgg16_true)

print(vgg16_false)
vgg16_false.classifier[6] = nn.Linear(4096, 10)
print(vgg16_false)

二、网络模型的保存与读取

出现的问题：

AttributeError: Can't get attribute 'SUN' on <module '__main__' from 'D:/test pytorch/learningplan1/models_load.py'>

解决的办法是需要将网络模型放在读取的上面，不需要引用，但是需要将其放置在其上方。

当然，引用别人的模型时，就非常的不便，所以使用：

from models_save import *

就能够解决此问题。

三、模型的保存

import torch
import torchvision
from torch import nn

vgg16 = torchvision.models.vgg16(pretrained = False)
# 保存方式1(结构与参数均保存)
torch.save(vgg16, 'vgg16_method1.pth')

# 保存方式2(参数保存为字典形式)
torch.save(vgg16.state_dict(), "vgg16_method2.pth")


# 陷阱
class SUN(nn.Module):
    def __init__(self):
        super(SUN, self).__init__()
        self.convv = nn.Conv2d(3, 64, kernel_size=3)

    def forward(self, x):
        x = self.convv(x)
        return x


sun = SUN()
torch.save(sun, "sun_method1.pth")

四、模型的使用

import torch

# 方式1 保存后加载
# model = torch.load("vgg16_method1.pth")
# print(model)

# 方式2 保存后加载
import torchvision
from torch import nn
from models_save import *

vgg16 = torchvision.models.vgg16(pretrained = False)
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
# model = torch.load("vgg16_method2.pth")
# print(vgg16)

# 加载网络模型
# class SUN(nn.Module):
#     def __init__(self):
#         super(SUN, self).__init__()
#         self.convv = nn.Conv2d(3, 64, kernel_size=3)
#
#     def forward(self, x):
#         x = self.convv(x)
#         return x

model = torch.load("sun_method1.pth")
print(model)