前言：
在阅读本文之前，你需要了解Python，Pytorch，神经网络的一些基础知识，比如什么是数据集，什么是张量，什么是神经网络，如何简单使用tensorboard,DataLoader。
本次模型训练使用的是cpu。
目录
创建python文件：
model_train.py文件
1、准备数据集
2、打印看看该数据集的大小
3、加载数据集
4、创建网络模型
model.py文件
5、定义损失函数
6、定义优化器
7、设置一些训练网络所需参数
8、可视化训练过程
9、训练过程
model_vertification文件
创建python文件：
model.py 自定义神经网络模型。
model_train.py 训练 CIFAR - 10 数据集上的自定义模型并保存参数。
model_vertification.py 用一张图片验证网络模型进行预测。
下面从各个文件讲解。
model_train.py文件
完整的模型训练步骤如下：
1、准备数据集
这里选用 CIFAR10 数据集，这个数据集是 torchvision 里面自带的，一个十分类问题的数据集，该数据集较小（160MB左右），使用torchvision.datasets模块加载 CIFAR10 数据集。
# 下载并加载 CIFAR-10 训练数据集
# root 指定数据集存储的根目录；train=True 表示加载训练集；
# transform 将数据转换为 Tensor 类型；download=True 表示如果数据集不存在则进行下载
train_data = torchvision.datasets.CIFAR10(root= r'D:\Desktop\数据集', train=True, transform=torchvision.transforms.ToTensor(), download=True)
# 下载并加载 CIFAR-10 测试数据集
test_data = torchvision.datasets.CIFAR10(root= r'D:\Desktop\数据集', train=False, transform=torchvision.transforms.ToTensor(), download=True)
2、打印看看该数据集的大小
# 计算训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为: {train_data_size}")
print(f"测试数据集的长度为: {test_data_size}")可以看到该数据集有50000张训练图片，10000张测试图片。
3、加载数据集
使用DataLoader分别加载训练和测试数据集。
# 使用 DataLoader 对训练数据进行批量加载，batch_size=64 表示每个批次包含 64 个样本
train_dataloader = DataLoader(train_data, batch_size=64)
# 对测试数据进行批量加载
test_dataloader = DataLoader(test_data, batch_size=64)
4、创建网络模型
将自定义的网络模型放在model.py文件，在train.py中导入使用。
根据此图片的神经网络模型来自定义一个网络模型。(其中卷积层Conv2d中的参数stride和padding需要经过如下的公式计算得到，该计算并不复杂)。
计算公式 （pytorch官网torch.nn中Conv2d中查看）
model.py文件
import torch
from torch import nn
class zzy(nn.Module):
def __init__(self):
super(zzy, 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),
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__':
zzy1 = zzy()
data = torch.ones((64,3,32,32)) # 网络模型的输入必须为四维张量
output = zzy1(data)
print(output.shape)
运行此文件验证该网络模型是否能得到预想的结果 ，如下。
在train.py中导入model.py后实例化网络模型。
# 创建网络模型
# 实例化自定义的网络模型 zzy
zzy1 = zzy()
5、定义损失函数
# 定义损失函数
# 使用交叉熵损失函数，常用于多分类问题
loss_fn = nn.CrossEntropyLoss()
6、定义优化器
# 优化器创建
# 学习率设置为 0.01
learning_rate = 1e-2
# 使用随机梯度下降（SGD）优化器，对 zzy1 模型的参数进行优化
optimier = torch.optim.SGD(zzy1.parameters(), lr=learning_rate)
7、设置一些训练网络所需参数
# 设置训练网络参数
# 记录总的训练步数
total_train_step = 0
# 记录总的测试步数
total_test_step = 0
# 训练的轮数
epoch = 108、可视化训练过程
为了可视化整个训练过程， 添加 TensorBoard 用于可视化训练过程。
# 在 '../logs_train' 目录下创建 SummaryWriter 对象
writer = SummaryWriter('../logs_train')9、训练过程
首先设置我们的训练轮次，这是外层循环，内层循环里分别进行训练数据集和测试数据集的训练。
在训练集中，每次取出一批数据，即前面定义的64张图片，送入我们定义的网络模型得到输出，计算输出和真实值之间的损失，再进行反向传播更新模型参数进行优化，训练步数加一，再取出下一批数据，重复上面的过程。
在测试集中，计算正确率。
# 开始训练循环，共训练 epoch 轮
for i in range(epoch):
print(f'--------第{i + 1}次训练--------')
# 遍历训练数据加载器中的每个批次
for data in train_dataloader:
# 从数据批次中解包图像和对应的标签
imgs, target = data
# 将图像输入到模型中进行前向传播，得到模型的输出
outputs = zzy1(imgs)
# 计算模型输出与真实标签之间的损失
loss = loss_fn(outputs, target)
# 梯度清零，防止梯度累积
optimier.zero_grad()
# 反向传播，计算梯度
loss.backward()
# 根据计算得到的梯度更新模型的参数
optimier.step()
# 训练步数加 1
total_train_step += 1
# 每训练 100 步，打印一次训练信息并将训练损失写入 TensorBoard
if total_train_step % 100 == 0:
print(f'训练次数：{total_train_step}，Loss:{loss.item()}')
# 将训练损失添加到 TensorBoard 中，用于后续可视化
writer.add_scalar('train_loss', loss.item(), total_train_step)
zzy.eval()
# 测试步骤开始
# 初始化总的测试损失为 0
total_test_loss = 0
# 初始化正确率为 0
total_accuracy = 0
# 上下文管理器，在测试过程中不进行梯度计算，减少内存消耗
with torch.no_grad():
# 遍历测试数据加载器中的每个批次
for data in test_dataloader:
# 从数据批次中解包图像和对应的标签
imgs, targets = data
# 将图像输入到模型中进行前向传播，得到模型的输出
outputs = zzy1(imgs)
# 计算模型输出与真实标签之间的损失
loss = loss_fn(outputs, targets)
# 计算正确率,outputs.argmax(1)表示横向看
accuracy = (outputs.argmax(1) == targets).sum()
# 累加测试损失
total_test_loss += loss.item()
total_accuracy += accuracy
print(f'整体的测试损失: {total_test_loss}')
print(f'整体的正确率: {total_accuracy/test_data_size}')
# 将测试损失添加到 TensorBoard 中，用于后续可视化
writer.add_scalar('test_loss', total_test_loss, total_test_step)
writer.add_scalar('total_accuracy',total_accuracy/test_data_size,total_test_step)
# 测试步数加 1
total_test_step += 1
torch.save(zzy,'zzy_{}.pth'.format(i))
# 官方推荐的保存方式
# torch.save(zzy.state_dict(),'zzy_{}.pth'.forma(i))
print("模型已保存")
# 关闭 SummaryWriter，释放资源
writer.close()完整的model_train.py代码如下：
import torch
import torchvision.transforms
from torch.utils.tensorboard import SummaryWriter
from torch import nn
from torch.utils.data import DataLoader
# 下载并加载 CIFAR-10 训练数据集
train_data = torchvision.datasets.CIFAR10(root=r'D:\Desktop\数据集', train=True, transform=torchvision.transforms.ToTensor(), download=True)
# 下载并加载 CIFAR-10 测试数据集
test_data = torchvision.datasets.CIFAR10(root=r'D:\Desktop\数据集', train=False, transform=torchvision.transforms.ToTensor(), download=True)
# 计算训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print(f"训练数据集的长度为: {train_data_size}")
print(f"测试数据集的长度为: {test_data_size}")
# 加载数据
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
class zzy(nn.Module):
def __init__(self):
super(zzy, 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),
nn.Flatten(),
nn.Linear(64 * 4 * 4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
# 实例化自定义的网络模型 zzy
zzy1 = zzy()
# 定义损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器创建
learning_rate = 1e-2
optimier = torch.optim.SGD(zzy1.parameters(), lr=learning_rate)
# 设置训练网络参数
total_train_step = 0
total_test_step = 0
epoch = 10
# 添加 TensorBoard 用于可视化训练过程
writer = SummaryWriter('../logs_train')
# 开始训练循环，共训练 epoch 轮
for i in range(epoch):
print(f'--------第{i + 1}次训练--------')
# 遍历训练数据加载器中的每个批次
for data in train_dataloader:
# 从数据批次中解包图像和对应的标签
imgs, target = data
# 将图像输入到模型中进行前向传播，得到模型的输出
outputs = zzy1(imgs)
# 计算模型输出与真实标签之间的损失
loss = loss_fn(outputs, target)
# 梯度清零，防止梯度累积
optimier.zero_grad()
# 反向传播，计算梯度
loss.backward()
# 根据计算得到的梯度更新模型的参数
optimier.step()
# 训练步数加 1
total_train_step += 1
# 每训练 100 步，打印一次训练信息并将训练损失写入 TensorBoard
if total_train_step % 100 == 0:
print(f'训练次数：{total_train_step}，Loss:{loss.item()}')
# 将训练损失添加到 TensorBoard 中，用于后续可视化
writer.add_scalar('train_loss', loss.item(), total_train_step)
# 设置模型为评估模式
zzy1.eval()
# 测试步骤开始
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
outputs = zzy1(imgs)
loss = loss_fn(outputs, targets)
accuracy = (outputs.argmax(1) == targets).sum()
total_test_loss += loss.item()
total_accuracy += accuracy
print(f'整体的测试损失: {total_test_loss}')
print(f'整体的正确率: {total_accuracy / test_data_size}')
# 将测试损失添加到 TensorBoard 中，用于后续可视化
writer.add_scalar('test_loss', total_test_loss, total_test_step)
writer.add_scalar('total_accuracy', total_accuracy / test_data_size, total_test_step)
# 测试步数加 1
total_test_step += 1
# 保存模型状态字典
torch.save(zzy1.state_dict(), f'zzy_{i}.pth')
print("模型已保存")
# 关闭 SummaryWriter，释放资源
writer.close()运行结果：
从下图可以看到，最后训练出来的模型预测正确率为0.54左右，不算好，如果想继续优化，加大训练轮次，或者调整学习率。
打开tensorboard观察到整个训练过程的变化，图中深色线是经过平滑处（Smoothed）的训练损失值，能更清晰呈现损失总体变化趋势，减少波动干扰；浅色线代表原始的训练损失值，反映每个训练步骤上即时的损失情况，波动相对较大。
后续补充：
想查看整个训练所用时间，可以导入time模块，设置一下开始训练时间和结束训练时间求差。
当我把训练次数加大10倍（100次）后，模型预测的正确率为0.63左右，相对0.53没有提高很多，而且训练轮次较多时或者数据量较大时用cpu计算的时间花费就比较多了 (不要参考下面的时间，中途暂停过较长时间)。
到中期训练了40轮次后，从正确率的变化可以看出，模型效果不佳 。
当然可能有很多原因导致，数据量不足，网络模型结构不合理，优化器选择不合理等等，这里不过多赘述。
model_vertification文件
网上随便找了一个狗狗的图片保存为image.png，我们想要验证该网络模型的预测效果。
注意：
1、 模型训练时，模型保存方式和加载该模型的方式要对应。
2、 需要将图片更改为网络模型能够处理的shape。
完整代码：
import torch
import torchvision
from PIL import Image
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.tensorboard import SummaryWriter
from model import *
# 打开图片，使用绝对路径
image_path = r'D:\Desktop\deep_learning\pytorch入门\images\image.png'
image = Image.open(image_path)
print(image.size)
# 保留颜色通道
image = image.convert('RGB')
# 定义图像变换
# 首先转化尺寸，再转化为tensor类型
transform = torchvision.transforms.Compose([
torchvision.transforms.Resize((32, 32)),
torchvision.transforms.ToTensor()
])
# 应用变换
image = transform(image)
print(f'变换后的{image.shape}')
# 增加批量维度，以匹配模型输入要求
# 图像数据，常见的输入形状是 (batch_size, channels, height, width)
# 示例说明：假设 image 是一个形状为 (3, 32, 32) 的张量，代表一张 3 通道、高度为 32、宽度为 32 的图像。
# 当调用 image.unsqueeze(0) 后，得到的新张量形状将变为 (1, 3, 32, 32)，
# 这里的 1 就是新插入的批量维度，表示这个批量中只有一张图像。
# unsqueeze 只能插入一个大小为 1 的维度
image = image.unsqueeze(0)
# 或者使用这种方式来更改图像shape
# image = torch.reshape(image, (1, 3, 32, 32))
print(image.shape)
# 实例化模型
model = zzy()
# 加载模型的状态字典
model_path = r'D:\Desktop\deep_learning\model_train\zzy_9.pth' # 确保路径正确
model.load_state_dict(torch.load(model_path))
model.eval()
# 进行前向传播
# 不要漏掉 with torch.no_grad():
# 我们的目标仅仅是根据输入数据得到模型的预测结果
# 并不需要更新模型的参数，计算梯度是不必要的开销。
with torch.no_grad():
output = model(image)
# 获取预测的类别
# _,表示一个占位符，只关心另一个值的输出
_, predicted = torch.max(output.data, 1)
# CIFAR-10 数据集的类别名称
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
# 打印预测结果
print(f"预测的类别是: {classes[predicted.item()]}")运行结果：
正确预测到了这个类别为dog。
作者水平有限，有任何问题或错误，欢迎留言，我将持续分享深度学习相关的内容，你的投币点赞是我最大的创作动力！
本文代码也可以在我的github上直接下载。https://github.com/Zik-code/CIFAR-10-model_train/tree/main/model_train。
