PyTorch模型训练与评估_python脚本如何执行训练 测试 评估

前言

一旦模型、数据集、损失函数和优化器准备完成后，我们就可以开始训练模型了。在本节中，我们将学习如何正确训练和评估深度学习模型。

模型训练与评估

我们首先编写用于批 (batch) 处理、时期 (epoch) 处理和训练模型的辅助函数。

1. 编写辅助函数计算每批数据的损失值：

python
复制代码
def loss_batch(loss_func, xb, yb,yb_h, opt=None):
    loss = loss_func(yb_h, yb)
    metric_b = metrics_batch(yb,yb_h)
    if opt is not None:
        loss.backward()
        opt.step()
        opt.zero_grad()
    return loss.item(), metric_b
1
2
3
4
5
6
7
8
9
10

2. 接下来，定义一个辅助函数来计算模型在每批数据上的准确率：

python
复制代码
def metrics_batch(target, output):
    pred = output.argmax(dim=1, keepdim=True)
    corrects=pred.eq(target.view_as(pred)).sum().item()
    return corrects
1
2
3
4
5
6

3. 接下来，定义一个辅助函数来计算数据集的损失和度量值：

python
复制代码
def loss_epoch(model,loss_func,dataset_dl,opt=None):
    loss=0.0
    metric=0.0
    len_data=len(dataset_dl.dataset)
    for xb, yb in dataset_dl:
        xb=xb.type(torch.float).to(device)
        yb=yb.to(device)
        yb_h=model(xb)
        loss_b,metric_b=loss_batch(loss_func, xb, yb,yb_h, opt)
        loss+=loss_b
        if metric_b is not None:
            metric+=metric_b
    loss/=len_data
    metric/=len_data
    return loss, metric
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

4. 最后，定义 train_val 函数用于评估模型性能：

python
复制代码
def train_val(epochs, model, loss_func, opt, train_dl, val_dl):
    for epoch in range(epochs):
        model.train()
        train_loss, train_metric=loss_epoch(model,loss_func,train_dl,opt)
        model.eval()
        with torch.no_grad():
            val_loss, val_metric=loss_epoch(model,loss_func,val_dl)
        accuracy=100*val_metric
        print("epoch: %d, train loss: %.6f, val loss: %.6f, accuracy: %.2f" %(epoch, train_loss,val_loss,accuracy))
1
2
3
4
5
6
7
8
9
10
11

5. 训练模型数个 epoch：

python
复制代码
num_epochs=5
train_val(num_epochs, model, loss_func, opt, train_dl, val_dl)
1
2
3
4

训练开始后，可以看到模型训练过程中损失和性能变化：

shell
复制代码
epoch: 0, train loss: 0.22345, val loss: 0.094503, accuracy: 96.94
...
epoch: 5, train loss: 0.02345, val loss: 0.049503, accuracy: 98.02
1
2
3
4
5

存储和加载模型

训练完成后，我们可以将训练后的参数存储在文件中以供部署和之后加载使用，有两种常见的保存模型的方法。

首先，我们介绍第一种方法。

1. 首先，将模型参数或 state_dict 存储在文件中：

python
复制代码
path2weights="./models/weights.pt"
torch.save(model.state_dict(), path2weights)
1
2
3
4

2. 要从文件中加载模型参数，需要定义一个 Net 类的对象：

python
复制代码
_model = Net()
1
2
3

3. 然后，从文件中加载 state_dict：

python
复制代码
weights=torch.load(path2weights)
1
2
3

4. 接下来，将 state_dict 设置为模型参数：

python
复制代码
_model.load_state_dict(weights)
1
2
3

接下来，我们继续学习第二种方法。

1. 首先，将模型存储在一个文件中：

python
复制代码
path2model="./models/model.pt"
torch.save(model,path2model)
1
2
3
4

2. 要从文件中加载模型参数，首先将定义一个 Net 类的对象：

python
复制代码
_model = Net()
1
2
3

3. 然后，从本地文件中加载模型：

python
复制代码
_model=torch.load(path2model)
1
2
3

在本小节中，我们学习了两种存储训练模型的方法。在第一种方法中，我们只存储了 state_dict 或模型参数。当我们需要训练好的模型进行部署时，我们必须创建模型的对象，然后从文件中加载参数，然后将参数设置到模型中，这种方式是 PyTorch 推荐的方法。

在第二种方法中，我们将模型存储到一个文件中，即我们将模型和 state_dict 都存储在一个文件中。当我们需要训练好的模型进行部署时，我们都需要创建一个 Net 类对象。然后，我们从文件中加载模型。因此，与第一种方法相比并没有实际的优势。

部署模型

要部署模型，我们需要使用上一小节中介绍的方法加载模型。一旦模型被加载到内存中，我们就可以将新数据传递给模型，利用模型进行预测。

1. 要将模型部署在验证数据集中的样本图像上，我们首先加载一个样本张量：

python
复制代码
n=100
x= x_val[n]
y=y_val[n]
print(x.shape)
1
2
3
4
5
6

2. 然后，对样本张量进行预处理：

python
复制代码
x= x.unsqueeze(0)
x=x.type(torch.float)
x=x.to(device)
1
2
3
4
5

3. 接下来，使用加载完成的神经网络模型获取预测结果：

python
复制代码
output=_model(x)
pred = output.argmax(dim=1, keepdim=True)
print (pred.item(),y.item())
1
2
3
4
5

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。