【Pytorch】完整的模型训练套路(7)
以CIFAR10为例，
model.py
# -*- coding: utf-8 -*-
# 作者：小土堆
# 公众号：土堆碎念
import torch
from torch import nn
# 搭建神经网络
class Tudui(nn.Module):
def __init__(self):
super(Tudui, 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__':
tudui = Tudui()
# 测试网络结构正确性
input = torch.ones((64, 3, 32, 32))
output = tudui(input)
print(output.shape) # tensor.Size([64, 10])train.py
# -*- coding: utf-8 -*-
# 作者：小土堆
# 公众号：土堆碎念
import torch
import torchvision
from model import * # 外部文件
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
# 准备好的训练数据
train_data = torchvision.datasets.CIFAR10(root="./data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
# 准备好的测试数据
test_data = torchvision.datasets.CIFAR10(root="./data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
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
# 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)
# 创建网络模型
tudui = Tudui()
# 损失函数
loss_fn = nn.CrossEntropyLoss()
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.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
# 训练的轮数
epoch = 10
# 添加tensorboard
# writer = SummaryWriter("../logs_train")
# 1、for循环里的内容做了10次
for i in range(epoch):
print("-------第 {} 轮训练开始-------".format(i+1))
# 2、训练步骤开始
tudui.train() ###############没有这步也能运行，为什么要有呢？
# 对特定的层有用， BN,Dropout等
#
# 3、从dataloader中取数据
for data in train_dataloader:
imgs, targets = data
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
# 4、优化器优化模型
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播
optimizer.step() # 调用优化器优化参数
# 5、做了一次训练，训练次数+1，打印相关训练信息
total_train_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)
# 6、测试步骤开始
# 每训练完一轮，都会在测试数据上跑一遍，用于评估模型怎么样
tudui.eval() ###############没有这步也能运行
# 对特定的层有用， BN,Dropout等
#
total_test_loss = 0 # 验证集上loss的总和
total_accuracy = 0 # 整体的正确率
# 没有梯度，不对参数进行调优
with torch.no_grad():
# 7、读取测试数据
for data in test_dataloader:
imgs, targets = data
# 传入网络
outputs = tudui(imgs)
# 计算loss，注意这里没有反向传播
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
# 计算准确率
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss: {}".format(total_test_loss))
print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
# writer.add_scalar("test_loss", total_test_loss, total_test_step)
# writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
total_test_step = total_test_step + 1
# 8、每轮训练完成后，保存模型
torch.save(tudui, "tudui_{}.pth".format(i))
# 方式二保存
torch.save(tudui.state_dict(), "tudui_{}.pth".format(i))
print("模型已保存")
# writer.close()关于验证部分loss.item()的原因，.item()使得tensor数据转为int数据。
import torch
a = torch.tensor(5)
print(a) # tensor(5), tensor
print(a.item()) # 5, int求正确率的流程
import torch
outputs = torch.tensor([[0.1, 0.2],
[0.3, 0.4]])
print(outputs.argmax(1)) # 1是横着看，0是纵着看
# tensor([1, 1])
preds = outputs.argmax(1)
targets = torch.tensor([0, 1])
print(preds==targets)
# tensor([0, 1], dtype=torch.uint8)
print((preds==targets).sum())
# tensor(1)