完整的模型训练套路

一、完整的模型训练套路

以CIFAR10为例

1、创建数据集

# 准备数据集
import torchvision
# 训练数据集
train_data = torchvision.datasets.CIFAR10("../dataset",train=True,
                                          transform=torchvision.transforms.ToTensor(),download=True)
# 测试数据集
test_data = torchvision.datasets.CIFAR10("../dataset",train=False,
                                         transform=torchvision.transforms.ToTensor(),download=True)

可以查看数据集长度

# length 长度
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))   #训练数据集的长度为:50000
print("测试数据集的长度为:{}".format(test_data_size))    #测试数据集的长度为:10000

2、加载数据集(DataLoader)

# 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)

3、搭建神经网络

最好新建一个model.py

# 搭建神经网络
class ExamModuel(nn.Module):
    def __init__(self):
        super(ExamModuel, 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

测试网络模型的正确性(可省略)

if __name__ == '__main__':
    # 创造网络模型
    ex_model = ExamModuel()
    input = torch.ones((64,3,32,32))
    output = ex_model(input)
    print(output.shape)

4、创建网络模型

# 创建网络模型
ex_model = ExamModule()

5、损失函数

# 损失函数
loss_fn = nn.CrossEntropyLoss()

6、优化器

# 优化器
# SGD:随机梯度下降
# learning_rate = 0.01    # 学习率
learning_rate = 1e-2    # 学习率
optimizer = torch.optim.SGD(ex_model.parameters(),lr=learning_rate)

7、设置训练网络的一些参数

# 设置训练网络的一些参数
total_train_step = 0    # 记录训练的次数
total_test_step = 0     # 记录测试的次数
epoch = 10              # 训练的轮数

8、开始训练、测试训练效果

循环定义训练轮数epoch

for i in range(epoch):
    print("-------------第{}轮训练开始-------------".format(i+1))

训练

    #训练步骤开始
    ex_model.train()    #对一些特殊的层有作用
    for data in train_dataloader:
        imgs,targets = data
        outputs = ex_model(imgs)
        loss = loss_fn(outputs,targets) # 和真实值targets相比,损失值为loss
​
        # 优化器优化模型
        optimizer.zero_grad()   # 梯度清零
        loss.backward()         # 反向传播,得到每一个参数节点的梯度
        optimizer.step()        # 进行优化
​
        total_train_step += 1
        if total_train_step % 100 == 0:
            print("训练次数:{},Loss:{}".format(total_train_step,loss.item()))

每一轮都可以测试训练效果

 # 测试开始
    my_nn.eval()

    total_test_loss = 0
    train_accuracy = 0

    with torch.no_grad():
        for data in test_dataloader:
            img,target = data
            output = my_nn(img)
            accuracy = (target == output.argmax(1)).sum()
            train_accuracy += accuracy
            loss = loss_fn(output,target)
            total_test_loss += loss
    print("整体测试集上的Loss:{},ACC:{}".format(total_test_loss.item(),train_accuracy.item()/test_data_size))

9、添加tensorboard

    print("整体测试集上的loss:{}".format(total_test_loss))
    print("整体测试集上的accracy:{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    writer.add_scalar("test_accuracy",total_accuracy/test_data_size,total_test_step)
    total_test_step += 1
    torch.save(ex_model,"ex_model_{}.pth".format(i))
    print("模型已保存...")
writer.close()

①让模型在GPU上训练(一)

只需添加一些代码(ex_model、loss_fn、imgs、targets部分)

模型、损失函数、数据  需要添加.cuda()

模型-->cuda
ex_model = ExamModule()
if torch.cuda.is_available():
    ex_model = ex_model.cuda()  #网络模型可以转移到cuda上
# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()    #损失函数-->cuda
imgs,targets = data
if torch.cuda.is_available():
    imgs = imgs.cuda()
    targets = targets.cuda()
# 注意:训练数据和测试数据都要添加该段代码

在GPU上速度快了很多

CPU上:

GPU上:

②让模型在GPU上训练(二)

device = torch.device("cpu")

device = torch.device("cuda") 或者(等同于) device = torch.device("cuda:0")

device = torch.device("cuda:1")

模型/损失函数/imgs/targets.to(device)

# 有GPU则在GPU上训练,无GPU则在CPU上训练
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 定义训练的设备
device = torch.device("cuda")
# device = torch.device("cpu")
模型-->设备
ex_model = ExamModule()
ex_model = ex_model.to(device) #把网络转移到设备上
# ex_model.to(device) #这样写即可
# 损失函数-->设备
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device) #把损失函数转移到设备上
# loss_fn.to(device) #这样写即可
imgs,targets = data
imgs = imgs.to(device)
targets = targets.to(device)

二、完整的模型验证(测试、demo)套路

利用已经训练好的模型,然后给它提供输入

测试OK的模型,就可以对外应用了

import torch
import torchvision
from PIL import Image
from torch import nn

输入

device = torch.device("cuda")
img_path = "../imgs/003.png"
img = Image.open(img_path)
img = img.convert("RGB")    #png格式是四个通道,除了RGB三通道外,还有一个透明度通道
transfrom = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
                                            torchvision.transforms.ToTensor()])
img = transfrom(img)
img = img.to(device)
# print(img.shape)

补充知识点:png格式是四个通道,除了RGB三通道外,还有一个透明度通道

搭建模型

class ExamModule(nn.Module):
    def __init__(self):
        super(ExamModule, 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
​
ex_model = torch.load("ex_model_29.pth")
# ex_model = torch.load("ex_model_29.pth",map_location=torch.device("cpu"))
# 在GPU中训练的模型,要将其映射到cpu上,使用map_location=torch.device("cpu")
print(ex_model)

测试输出

img = torch.reshape(img,(1,3,32,32))
# print(img.shape)
ex_model.eval()
with torch.no_grad():
    output = ex_model(img)
print(output)
print(output.argmax(1))

你可能感兴趣的:(pytorch学习)