PyTorch深度学习（11）完整模型训练

模型训练步骤

• 准备数据集
• 获取数据集长度（包括训练集和测试集）
• 利用DataLoader来加载数据集
• 搭建网络模型
• 创建网络模型
• 定义损失函数
• 定义优化器
• 设置训练参数（记录训练次数、记录测试次数、训练的轮数）
• 训练步骤开始
  • 将训练集添加到网络模型中
  • 计算损失函数
  • 梯度归零
  • 优化器优化模型
  • 反向传播，计算每个参数梯度值
  • 通过梯度下降执行一步梯度更新
• 测试步骤开始
  • 设置无梯度
  • 将测试集添加到网络模型中
  • 计算损失函数
  • 计算每行最大值，取得正确率
• 保存网络模型

Argmax方法详解

Argmax  比较一组元素中最大值所在的索引

outputs = [0.1, 0.2]

                [0.05, 0.4]

output.argmax(1)    横向比较    输出[1, 1]  第一行第1个元素，第二行第1个元素

output.argmax(0)    纵向比较    输出[0, 1]  第一列第0个元素，第二列第1个元素

preds = outputs.argmax(1)

targets = torch.tensor([0, 1])

print(preds == targets)    输出tensor([False, True])

print((preds == target).sum())    输出tensor(1)

具体代码

搭建神经网络

import torch
from torch import nn

# 搭建神经网络
class TestNN(nn.Module):
    def __init__(self):
        super(TestNN, self).__init__()
        self.model1 = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, padding=2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, padding=2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x


if __name__ == '__main__':
    tnn = TestNN()
    inputData = torch.ones((64, 3, 32, 32))
    output = tnn(inputData)
    print(output.shape)

执行模型训练

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from test_model import *
from torch import nn
import torch
import time

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

# length长度
train_data_length = len(train_data)
test_data_length = len(test_data)
print("训练数据集长度为：{}".format(train_data_length))
print("测试数据集长度为：{}".format(test_data_length))

# DataLoader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
tnn = TestNN()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
# learning_rate = 0.01
# 1e-2 = 1 × (10)^(-2) = 1 / 100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tnn.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

writer = SummaryWriter("logs")
start_time = time.time()
for i in range(epoch):
    print("-----第{}轮训练开始-----".format(i + 1))

    # 训练步骤开始
    tnn.train()
    for data in train_dataLoader:
        imgs, targets = data
        outputs = tnn(imgs)
        loss = loss_fn(outputs, targets)
        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            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
    tnn.eval()
    total_test_loss = 0
    total_accuracy = 0  # 整体正确的个数
    with torch.no_grad():  # 设置无梯度
        for data in test_dataLoader:
            imgs, targets = data
            output = tnn(imgs)
            loss = loss_fn(output, targets)
            total_test_loss = total_test_loss + loss.item()

            accuracy = (output.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_length))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_length, total_test_step)
    total_test_step = total_test_step + 1

    # torch.save(tnn, "tnn_{}.pth".format(i))
    # torch.save(tnn.state_dic(), "tnn_{}.pth".format(i))
    print("模型已保存")

writer.close()