0
点赞
收藏
分享

微信扫一扫

【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:
    在这里插入图片描述

  • 把写好的这部分,单独放在一个模块里,起名叫做model:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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:

在这里插入图片描述

  • Pycharm里面有刷新!
    在这里插入图片描述

  • 还能在summarywriter里看到:
    在这里插入图片描述

  • 关于分类问题,有一个accuracy的概念:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 再计算sum,true的个数(即对应相等的个数)是多少:
    在这里插入图片描述

  • 再把这套理论放入整体框架当中:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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:
    在这里插入图片描述

  • 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)
    在这里插入图片描述

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()

举报

相关推荐

0 条评论