怎么暂停python模型训练_pytorch 快速入手训练模型

你已经了解了如何定义神经网络，计算损失值和网络里权重的更新。

现在测试怎么处理数据

通常来说，当你处理图像，文本，语音或者视频数据时，你可以使用标准 python 包将数据加载成 numpy 数组格式，然后将这个数组转换成 torch.*Tensor图像数据，可以用 Pillow，OpenCV

语音数据，可以用 scipy，librosa

文本数据，可以用 NLTK 和 SpaCy

特别是对于视觉，我们已经创建了一个叫做 totchvision 的包，该包含有支持加载类似Imagenet，CIFAR10，MNIST 等公共数据集的数据加载模块 torchvision.datasets 和支持加载图像数据数据转换模块 torch.utils.data.DataLoader。

对于本教程，我们将使用CIFAR10数据集，它包含十个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10 中的图像尺寸为3*32*32，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。

训练一个图像分类器

我们将按次序的做如下几步：使用torchvision加载并且归一化CIFAR10的训练和测试数据集

定义一个卷积神经网络

定义一个损失函数

在训练样本数据上训练网络

在测试样本数据上测试网络

加载并归一化 CIFAR10，并使用 torchvision ,用它来加载 CIFAR10 数据非常简单。

import torch

import torchvision

import torchvision.transforms as transforms

torchvision 数据集的输出是范围在[0,1]之间的 PILImage，我们将他们转换成归一化范围为[-1,1]之间的张量 Tensors

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)

testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

输出：

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz

Files already downloaded and verified

使用下面的代码可以展示其中的一些训练图片

import matplotlib.pyplot as plt

import numpy as np

def imshow(img):

img = img / 2 + 0.5 # unnormalize

npimg = img.numpy()

plt.imshow(np.transpose(npimg, (1, 2, 0)))

plt.show()

dataiter = iter(trainloader)

images, labels = dataiter.next()

imshow(torchvision.utils.make_grid(images))

print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

# 这里选择4因为batch_size=4

输出：

cat plane ship frog

定义一个卷积神经网络

使用上一篇文章的王鸥哦结构，并修改它为3通道的图片(在此之前它被定义为1通道)

import torch.nn as nn

import torch.nn.functional as F

class Net(nn.Module):

def __init__(self):

super(Net, self).__init__()

self.conv1 = nn.Conv2d(3, 6, 5)

self.pool = nn.MaxPool2d(2, 2)

self.conv2 = nn.Conv2d(6, 16, 5)

self.fc1 = nn.Linear(16 * 5 * 5, 120)

self.fc2 = nn.Linear(120, 84)

self.fc3 = nn.Linear(84, 10)

def forward(self, x):

x = self.pool(F.relu(self.conv1(x)))

x = self.pool(F.relu(self.conv2(x)))

x = x.view(-1, 16 * 5 * 5)

x = F.relu(self.fc1(x))

x = F.relu(self.fc2(x))

x = self.fc3(x)

return x

net = Net()

定义一个损失函数和优化器

让我们使用分类交叉熵Cross-Entropy 作损失函数，动量SGD做优化器

import torch.optim as optim

criterion = nn.CrossEntropyLoss()

optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

训练网络

我们只需要在数据迭代器上循环传给网络和优化器 输入就可以。

做两个(epoch)循环神经网络

for epoch in range(2):

running_loss = 0.0

for i, data in enumerate(trainloader, 0):

inputs, labels = data

optimizer.zero_grad()

outputs = net(inputs)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

running_loss += loss.item()

if i % 2000 == 1999:

print('[%d, %5d] loss: %.3f' %

(epoch + 1, i + 1, running_loss / 2000))

running_loss = 0.0

print('Finished Training')

输出：

[1, 2000] loss: 2.187

[1, 4000] loss: 1.852

[1, 6000] loss: 1.672

[1, 8000] loss: 1.566

[1, 10000] loss: 1.490

[1, 12000] loss: 1.461

[2, 2000] loss: 1.389

[2, 4000] loss: 1.364

[2, 6000] loss: 1.343

[2, 8000] loss: 1.318

[2, 10000] loss: 1.282

[2, 12000] loss: 1.286

Finished Training

在测试集上测试网络

我们已经通过训练数据集对网络进行了2次训练，但是我们需要检查网络是否已经学到了东西。

我们将用神经网络的输出作为预测的类标来检查网络的预测性能，用样本的真实类标来校对。如果预测是正确的，我们将样本添加到正确预测的列表里。

好的，第一步，让我们从测试集中显示一张图像来熟悉它。

输出：

GroundTruth: cat ship ship plane

现在让我们看看 神经网络认为这些样本应该预测成什么：

outputs = net(images)

输出是预测与十个类的近似程度，与某一个类的近似程度越高，网络就越认为图像是属于这一类别。所以让我们打印其中最相似类别类标：

_, predicted = torch.max(outputs, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))

输出：

Predicted: cat ship car ship

结果查看网络在整个数据集上的表现。

correct = 0

total = 0

with torch.no_grad():

for data in testloader:

images, labels = data

outputs = net(images)

_, predicted = torch.max(outputs.data, 1)

total += labels.size(0)

correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))

输出：

Accuracy of the network on the 10000 test images: 54 %

随机预测出为10类中的哪一类。看来网络预测结果。

class_correct = list(0. for i in range(10))

class_total = list(0. for i in range(10))

with torch.no_grad():

for data in testloader:

images, labels = data

outputs = net(images)

_, predicted = torch.max(outputs, 1)

c = (predicted == labels).squeeze()

for i in range(4):

label = labels[i]

class_correct[label] += c[i].item()

class_total[label] += 1

for i in range(10):

print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))

输出整体差异结果：

Accuracy of plane : 57 %

Accuracy of car : 73 %

Accuracy of bird : 49 %

Accuracy of cat : 54 %

Accuracy of deer : 18 %

Accuracy of dog : 20 %

Accuracy of frog : 58 %

Accuracy of horse : 74 %

Accuracy of ship : 70 %

Accuracy of truck : 66 %