【PyTorch教程】P27、28、29 完整的模型套路

P27、28、29 完整的模型套路

• 一步一步跟着做笔记：

• 查看数据集的长度：
  

• 把写好的这部分，单独放在一个模块里，起名叫做model：
  

• 这个模块，稍加改动，比如添加import，再用一个测试的torch.ones( )，整理如下：
  

• 输出为：这是一个分类的网络，里面的10，表示在每一个类别里，所出现的概率是多大：
  

• 再在train.py中，import刚才写的model，之后，就可以直接实例化了：tudui=TuDui( ):截图略

• 下面是训练结束，准备写测试的过程，注意，这里的缩进，train和val都是在epoch那个for当中的：

• Pycharm里面有刷新！
  

• 还能在summarywriter里看到：
  

• 关于分类问题，有一个accuracy的概念：
  

• 对上面的图，要好好解释一下：

• 首先是 两个输入；

• 模型，做了一个2分类；

• 模型输出，对于第一个输入，是类型一的概率是0.1，是第二个的概率是0.2；

• 对于第二个输入，是类型一“0”的概率是0.3，是第二个的概率是0.4；

• 那么0.1和0.3都是类型1“1”对应的概率，后两个对应类型2；

• 然而，对于pred预测，也就是模型输出的结果，两次都是属于“1”，也就是类型二；

• 那么这个pred是怎么输出为0或者1的呢？有一个argmax的方法，能够计算出这个结果；

• 跟真实值（target）对比来看，真实值是0和1，并不是pred预测的1和1；

• 下面就是计算accuracy了：判断pred是否等于真实值target：如果相等，记为true，不相等记为false，再把他们的结果，加在一起，获得计- 算正确的数量，再除以总数量，就是accuracy了。

• 以下是argmax的计算方式，记录一下：
  

• argmax后面的0或者1，代表用什么方向看outputs那个矩阵，1代表横着看：下图的红色数字代表位置0和1，也就是分类结果的0和1：箭头方向是由argmax后面的参数确定的：
  

• 下面，查看pred和target位置能对应上的，是哪次输入：用ture和false确定：
  

• 再计算sum，true的个数（即对应相等的个数）是多少：
  

• 再把这套理论放入整体框架当中：
  

• 对于train和eval这两个语句的问题，官方文档说的很清楚了，如果在框架中使用了特殊的层，再调用这两个语句，特殊的层包括，dropout,batchnorm，也就是说，train和eval只对这种层起作用：
  

• 这一节的后半段，快速捋了一遍整个网络框架。

• 虽然有点小error，不过还是可以跑的通：
  

• 关于带不带 item（）的区别：（12月份这次看视频，没发现视频里讲了这个内容呢）
  

可以运行的代码-1

# ！usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月16日
"""

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()
    input = torch.ones((64, 3, 32, 32))  # 为什么用ones？前面也是用的ones吗？
    output = tudui(input)
    print(output.shape)

可以运行的代码-2

# ！usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月16日
"""

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

from P27_28_29_model import *

# 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_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))
print("测试数据集的长度为：{}".format(test_data_size))

# 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)  # 这里的参数，SGD里面的，只要定义两个参数，一个是tudui.parameters()本身，另一个是lr

# 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")

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

    # 训练步骤开始
    tudui.train()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    for data in train_dataloader:
        imgs, targets = data
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()  # 优化器，梯度清零
        loss.backward()
        optimizer.step()

        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()))  # 这里用到的 item()方法，有说法的，其实加不加都行，就是输出的形式不一样而已
            writer.add_scalar("train_loss", loss.item(), total_train_step)  # 这里是不是在画曲线？

    # 每训练完一轮，进行测试，在测试集上测试，以测试集的损失或者正确率，来评估有没有训练好，测试时，就不要调优了，就是以当前的模型，进行测试，所以不用再使用梯度（with no_grad 那句）

    # 测试步骤开始
    tudui.eval()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():  # 这样后面就没有梯度了，  测试的过程中，不需要更新参数，所以不需要梯度？
        for data in test_dataloader:  # 在测试集中，选取数据
            imgs, targets = data
            outputs = tudui(imgs)  # 分类的问题，是可以这样的，用一个output进行绘制
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()  # 为了查看总体数据上的 loss，创建的 total_test_loss，初始值是0
            accuracy = (outputs.argmax(1) == targets).sum()  # 正确率，这是分类问题中，特有的一种，评价指标，语义分割之类的，不一定非要有这个东西，这里是存疑的，再看。
            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))  # 即便是输出了上一行的 loss，也不能很好的表现出效果。
    # 在分类问题上比较特有，通常使用正确率来表示优劣。因为其他问题，可以可视化地显示在tensorbo中。
    # 这里在（二）中，讲了很复杂的，没仔细听。这里很有说法，argmax（）相关的，有截图在word笔记中。
    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

    torch.save(tudui, "tudui_{}.pth".format(i))  # 保存方式一，其实后缀都可以自己取，习惯用 .pth。
    print("模型已保存")

writer.close()