赞
踩
params = cof
TypeError: params argument given to the optimizer should be an iterable of Tensors or dicts, but got torch.FloatTensor
import torch
cof = torch.eye(512)
params = list(cof) # list(model.encoder.parameters())
optimizer = torch.optim.Adam(params, 1e-4)
Pytorch的训练模式和测试模式切换
由于训练的时候Dropout和BN层起作用,每个batch BN层的参数不一样,dropout在训练时随机失效点具有随机性,所以训练和测试要区分开来。
使用时切记要根据实际情况切换:
model.train()
model.eval()
train:如果model是train的状态,intermediate varaible和computation graph会被保留,这些将来都会在backprop的时候用来计算gradient。因此,速度会比eval慢。eval:如果model是eval的状态,intermediate variable和computation graph不会被保留。因此速度会比train快。
在train函数中采用自定义的AverageMeter类来管理一些变量的更新
在初始化的时候就调用的重置方法reset。当调用该类对象的update方法的时候就会进行变量更新,当要读取某个变量的时候,可以通过对象.属性的方式来读取,比如在train函数中的top1.val读取top1准确率。
AverageMeter类来管理变量。在初始化的时候就调用的重置方法reset。当调用该类对象的update方法的时候就会进行变量更新,当要读取某个变量的时候,可以通过对象.属性的方式来读取,比如在train函数中的top1.val读取top1准确率。
AverageMeter可以记录当前的输出,累加到某个变量之中,然后根据需要可以打印出历史上的平均。
class AverageMeter(object):
"""Computes and stores the average and current value"""
def __init__(self):
self.reset()
def reset(self):
self.val = 0
self.avg = 0
self.sum = 0
self.count = 0
def update(self, val, n=1):
self.val = val
self.sum += val * n
self.count += n
self.avg = self.sum / self.count
这样在调用的时候,可以先声明
obj = AverageMeter()
需要将所有变量清零的时候,调用
obj.reset()
然后需要更新某个变量的时候
obj.update(x)
这样的话比如想要求平均,就可以直接用
obj.avg
def train(train_loader, model, criterion, optimizer, epoch):
"""Train for one epoch on the training set"""
batch_time = AverageMeter()
# measure elapsed time
batch_time.update(time.time() - end)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。