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。
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
特别是对于视觉,我们已经创建了一个叫做 torchvision 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。
这提供了极大的便利,并且避免了编写“样板代码”。
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。
我们将按次序的做如下几步:
加载并归一化 CIFAR10 使用 torchvision ,用它来加载 CIFAR10 数据非常简单。
注意CIFAR10数据集需要解压之后放到自己指定的目录下!
读取数据并搭建模型进行训练,然后预测:
import torch
import torchvision
import torchvision.transforms as transforms
#使用GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Assume that we are on a CUDA machine, then this should print a CUDA device:
print(device)
'''
加载并归一化 CIFAR10 使用 torchvision ,用它来加载 CIFAR10 数据非常简单。
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。
使用torchvision.datasets模块可以加载cifar10数据集,涉及函数为torchvision.datasets.CIFAR10(root, train, download)
root: cifar10数据集存放目录
train:
True,表示加载训练数据集
False,表示加载验证数据集
download:
True,表示cifar10数据集在root指定的文件夹不存在时,会自动下载
False,表示不管root指定文件夹是否存在cifar10数据集,都不会自动下载cifar10数据集。
加载数据,记得设置download = False。如果上一步不知道该把数据集放到哪里,可以先设置为True,然后看下载位置在哪,之后替换掉。
Dataset是一个包装类,可对数据进行张量(tensor)的封装,其可作为DataLoader的参数传入,进一步实现基于tensor的数据预处理。
然后需要使用数据加载器加载创建好的数据集。深度学习是由数据支撑起来的,所以我们一般在做深度学习的时候往往伴随着大量、复杂的数据。
如果把所有的数据全部加载到内存上,容易把电脑的内存“撑爆”,所以要分批次一点点加载数据。每一种深度学习的框架都有自己所规定的数据格式,数据加载器就有了必要的作用。
数据加载器就是把大量的数据,分批次加载和处理成框架所需要的数据格式数据分批次加载.
使用PyTorch内置的模块 torch.utils.data.DataLoader()数据加载器:
dataset:数据集
batch_size: 每一批数据的总量
shuffle: True or False 为True的时候会将数据打乱再分批
'''
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,
#注意下载完以后使用时要把download改为False
download=False, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=0)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
#注意下载完以后使用时要把download改为False
download=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=0)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
import matplotlib.pyplot as plt
import numpy as np
'''
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
'''
# 定义一个卷积神经网络 在这之前先从神经网络章节复制神经网络,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__()
# 第一层卷积有6个卷积核,每个卷积核是5*5且是3通道,所以第个卷积层的参数数量是6*5*5*3=450
self.conv1 = nn.Conv2d(3, 6, 5)
#池化层,使用MaxPool, 以2*2的大小进行池化
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()
net.to(device)
#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)
#训练网络从这里事情开始变得有趣,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。
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs
inputs, labels = data
# 必须在每一个步骤向GPU发送输入和目标
inputs, labels = inputs.to(device), labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
#前向传播
outputs = net(inputs)
#计算单个训练示例的损失
loss = criterion(outputs, labels)
#反向传播,计算梯度
loss.backward()
#更新权重
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
#已训练完毕
#预测
'''
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。
'''
# get some random test images
dataiter = iter(testloader)
testImages, testLabels = dataiter.next()
testImages, testLabels = testImages.to(device), testLabels.to(device)
'''
# show images
imshow(torchvision.utils.make_grid(testImages))
'''
# print labels
print(' '.join('%5s' % classes[testLabels[j]] for j in range(4)))
outputs = net(testImages)
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
for j in range(4)))
#结果看起开非常好,让我们看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
images, labels = images.to(device), labels.to(device)
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))
#这看起来比随机预测要好,随机预测的准确率为10%(随机预测出为10类中的哪一类)。看来网络学到了东西。
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
images, labels = images.to(device), labels.to(device)
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]))
可能的问题:
1.运行代码下载数据集过慢
直接官网下载(虽然也很慢,但是起码不会中途下载失败)
2.windows下用DataLoader的常犯错误
上述错误是因为在Windows环境下在读取数据时用DataLoader包装数据时,用多线程读取数据会出bug 。
1.将线程num_worker设置为0
2.添加 if __name__ == '__main': # 程序入口
if __name__ == '__main__':
# 随机获取部分训练数据
dataiter = iter(trainloader)
images, labels = dataiter.next();
# 显示图片
imshow(torchvision.utils.make_grid(images)) # make_grid 返回张量类型
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
所以接下来呢?
我们怎么在GPU上跑这些神经网络?
在GPU上训练 就像你怎么把一个张量转移到GPU上一样,你要将神经网络转到GPU上。 如果CUDA可以用,让我们首先定义下我们的设备为第一个可见的cuda设备。
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Assume that we are on a CUDA machine, then this should print a CUDA device:
print(device)
输出:
cuda:0
本节剩余部分都会假定设备就是台CUDA设备。
接着这些方法会递归地遍历所有模块,并将它们的参数和缓冲器转换为CUDA张量。
net.to(device)
记住你也必须在每一个步骤向GPU发送输入和目标:
inputs, labels = inputs.to(device), labels.to(device)
为什么没有注意到与CPU相比巨大的加速?因为你的网络非常小。
练习:尝试增加你的网络宽度(首个 nn.Conv2d 参数设定为 2,第二个nn.Conv2d参数设定为1--它们需要有相同的个数),看看会得到怎么的速度提升。
目标:
在多个GPU上训练
如果你想要来看到大规模加速,使用你的所有GPU,请查看:数据并行性(Optional: Data Parallelism — PyTorch Tutorials 1.13.0+cu117 documentation)。PyTorch 60 分钟入门教程:数据并行处理
PyTorch 60 分钟入门教程:数据并行处理 | PyTorch