当前位置:   article > 正文

Pytorch模型训练和模型验证_pytorch训练模型

pytorch训练模型


前言

本周主要学习了Pytorch的使用,用Dataset读取文件中的数据,DataLoader对Dataset读取的数据进行分批次打包,tensorboard实现了对训练Loss和测试Loss的可视化以及完成模型训练和模型验证。


模型训练套路

1.准备数据集

我们需要准备训练数据集和测试数据集,在Pytorch中,读取数据集需要用到Dataset和DataLoader两个类,Dataset负责对数据的读取,读取的内容是每一个数据和它对应的标签;DataLoader负责对Dataset读取的数据进行打包,然后分批次送入神经网络。

import time

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

from model import *


train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)

test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)


# 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)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21

2.训练数据集和测试数据集的长度

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)

# if 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))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

得到训练数据集和测试数据的长度
在这里插入图片描述

3.搭建网络模型

class Mose(nn.Module):
    def __init__(self):
        super(Mose, 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
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

4.创建网络模型、损失函数以及优化器

# 创建网络模型
mose = Mose()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(mose.parameters(), lr=learning_rate)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

5.添加tensorboard

通过tensorboard记录训练过程与测试过程的变化

writer = SummaryWriter("../logs_train")
  • 1

6.设置训练网络的一些参数

定义训练的次数、测试的次数、训练的轮数、开始时间以及结束时间

# 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
# 开始训练时间
start_time = time.time()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

7.开始训练模型

每一轮训练结束后,保存训练好的模型。

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

    # 训练步骤开始
    mose.train()
    for data in train_dataloader:
        imgs, targets = data
        ouputs = mose(imgs)
        loss = loss_fn(ouputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            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
    mose.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            ouputs = mose(imgs)
            loss = loss_fn(ouputs, targets)
            total_test_loss = total_test_loss + loss
            accuracy = (ouputs.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/test_data_size))
        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(mose, "mose_{}.pth".format(i))
        print("模型已保存")

writer.close()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45

查看其中某一轮的训练结果
在这里插入图片描述

8.查看tensorboard的结果

查看train_loss和test_loss
在这里插入图片描述

模型验证套路

1.输入图片

读取一张图片,把图片转成PIL类型,并对图片进行Resize,把它转化成32 * 32的图片。
在这里插入图片描述

image_path = "../imgs/dog.jpeg"
image = Image.open(image_path)
print(image)

transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),
                                            torchvision.transforms.ToTensor()])

image = transform(image)
print(image.shape)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

查看输出结果
在这里插入图片描述

2.加载网络模型

之前的训练过程中,我们保存了网络模型,所以现在我们需要去加载网络模型。

model = torch.load("mose_0.pth", map_location=torch.device('cpu'))
  • 1

查看输出结果
在这里插入图片描述

3.验证结果

把图片从3维转换成4维,并用模型去加载图片得到结果。

image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():
    output = model(image)
print(output)

print(output.argmax(1))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

查看输出结果
在这里插入图片描述
查看数据集的类别
在这里插入图片描述
得到的结果是5类别,说明验证结果正确。


总结

在本周的学习中,实现了模型训练和模型验证,并且掌握其中的训练套路和验证套路,学会了tensorboard实现可视化。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/煮酒与君饮/article/detail/849424
推荐阅读
相关标签
  

闽ICP备14008679号