从心所欲
不逾矩
天大地大
皆可去
一、官方模型的初使用
使用VGG16模型
VGG模型使用代码示例：
import torchvision.models
from torch import nn
dataset = torchvision.datasets.CIFAR10('/cifar10', False, transform=torchvision.transforms.ToTensor())
vgg16_true = torchvision.models.vgg16(pretrained=True)
vgg16_false = torchvision.models.vgg16(pretrained=False)
print(vgg16_false)
# 改造VGG，增加一层
vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))
print(vgg16_true)
# 改造vgg，修改一层
vgg16_false.classifier[6] = nn.Linear(4096, 10)
print(vgg16_false)
说明：
-
pretrained=True：当设置为True时，模型将加载在大规模图像数据集（如ImageNet）上预训练的权重。这些预训练的权重经过了在大量图像上的训练，可以捕捉到通用的图像特征。通过加载预训练权重，可以将VGG模型初始化为在ImageNet上训练得到的状态，并且这些权重可以作为初始参数用于特定任务的微调或迁移学习。 -
pretrained=False：当设置为False时，模型将使用随机初始化的权重。这意味着模型的权重没有经过预训练，需要从头开始进行训练。在这种情况下，模型将不会具备捕捉通用图像特征的能力，而是需要根据特定任务的数据进行训练。
pretrained=True和pretrained=False的区别在于是否加载预训练的权重。如果你想要在特定任务上使用VGG模型，并且你的任务与图像分类或特征提取相关，那么通常建议使用pretrained=True，以便利用预训练权重的优势。如果你的任务与图像分类或特征提取无关，或者你希望从头开始训练模型以适应特定数据集，那么可以选择pretrained=False。
二、模型的保存与加载
模型的保存：
两种保存模式，官方推荐第二种，只保存参数，不保存模型
import torch
import torchvision.models
vgg16 = torchvision.models.vgg16(pretrained=False)
# 保存方式1： 既保存模型结构，也保存参数
torch.save(vgg16, 'vgg16_model1.pth')
# 保存方式2：把参数保存成字典，不保存结构（官方推荐）
torch.save(vgg16.state_dict(), 'vgg16_model2.pth')
print("end")模型的加载：
import torch
import torchvision.models
# 加载方式1 - 保存方式1
model = torch.load('vgg16_model1.pth')
# 加载方式2 - 保存方式2
vgg16 = torchvision.models.vgg16(pretrained=False)
vgg16.load_state_dict(torch.load('vgg16_model2.pth'))三、完整的模型训练套路
以CIFAR10数据集来一个完整的模型训练。
代码示例：
model.py
from torch import nn
# 搭建神经网络
class Lh(nn.Module):
def __init__(self):
super(Lh, 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
train.py
import torch
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import Lh
# 准备数据集
train_data = torchvision.datasets.CIFAR10('./cifar10', train=True, transform=torchvision.transforms.ToTensor()
, download=True)
test_data = torchvision.datasets.CIFAR10('./cifar10', train=False, transform=torchvision.transforms.ToTensor()
, download=True)
train_data_size = len(train_data)
test_data_size = len(test_data)
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来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 搭建神经网络 - 10分类
lh = Lh()
# 损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(lh.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
# 训练轮数
epoch = 10
# 添加tensorboard
writer = SummaryWriter("train_logs")
for i in range(epoch):
print("-----第{}轮训练开始了-----".format(i + 1))
# 训练步骤开始
for data in train_dataloader:
imgs, tragets = data
output = lh(imgs)
loss = loss_fn(output, tragets)
optimizer.zero_grad()
loss.backward()
optimizer.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)
# 测试步骤开始
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, tragets = data
output = lh(imgs)
loss = loss_fn(output, tragets)
total_test_loss += loss
accuracy = (output.argmax(1) - - tragets).sum()
total_accuracy += accuracy
print("整体测试机上误差：{}".format(total_test_loss))
print("整体测试机上的正确率：{}".format(total_accuracy / test_data_size))
writer.add_scalar("test_loss", total_test_loss, total_test_step)
writer.add_scalar("test_accuracy", total_accuracy / total_test_step)
total_test_step += 1
# torch.save(lh, "lhy_{}.pth".format(i))
# print("模型已保存")
writer.close()
输出结果：
在tensorboard打开
