CC BY 4.0 (除特别声明或转载文章外)
如果这篇博客帮助到你,可以请我喝一杯咖啡~
导入所需的库
import torch
from torch import nn
import torchvision.datasets
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader
定义神经网络模型
可以设计一个由卷积层和全连接层组成的简单神经网络模型。例如,以下示例代码定义了一个包含两个卷积层和三个全连接层的网络。
class CK(nn.Module):
def __init__(self):
super(CK, 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
ck=CK()
加载数据集(请指定下载的目录)
可以使用PyTorch提供的datasets.CIFAR10类加载CIFAR10数据集,同时需要对图像进行预处理。
train_data=torchvision.datasets.CIFAR10(root="",train=True,transform=torchvision.transforms.ToTensor(),
download=True)
test_data=torchvision.datasets.CIFAR10(root="",train=False,transform=torchvision.transforms.ToTensor(),
download=True)
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
定义损失函数和优化器
此处使用SGD
#创建损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
optimizer = torch.optim.SGD(ck.parameters(),lr=0.01)
训练网络模型
在训练过程中,遍历数据集中的每个图像,并将其输入神经网络中。然后计算网络输出与真实标签之间的误差,并使用梯度下降法更新网络参数,从而使误差逐步减小并学习到更好的特征。在tensorboard上绘制出相关曲线并保存模型参数。
#设置训练网络的一些参数
#记录训练次数
total_train_step = 0
#记录测试次数
total_test_step = 1
#训练轮数
epoch = 30
#添加tensorboard
writer=SummaryWriter("logs_train")
for i in range(epoch):
print("********第{}轮训练开始********".format(i+1))
# 动态设置随机种子
torch.manual_seed(i)
#训练步骤开始
ck.train()
for data in train_dataloader:
imgs,targets=data
outputs=ck(imgs)
loss = loss_fn(outputs,targets)
#优化器模型
optimizer.zero_grad()
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()))
writer.add_scalar("train_loss",loss.item(),total_train_step)
#测试步骤开始
ck.eval()
total_test_loss=0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, targets =data
outputs = ck(imgs)
loss = loss_fn(outputs,targets)
total_test_loss=total_test_loss + loss.item()
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/len(test_data)))
writer.add_scalar("test_accuracy", total_accuracy/len(test_data),total_test_step)
total_accuracy = 0
writer.add_scalar("test_loss",total_test_loss,total_test_step)
total_test_step += 1
torch.save(ck.state_dict(),"ck_{}.pth".format(i))
print("模型已保存")
writer.close()