兴化市住房和城乡建设局网站,莱特币做空国外网站,wordpress后台登录路径,海报设计图片简单1 准备数据集
import torch
import torchvision
# 去网上下载CIFAR10数据集【此数据集为经典的图像数字识别数据集】
# train True 代表取其中得训练数据集#xff1b;
# transform 参数代表将图像转换为Tensor形式
# download 为True时会去网上下载数据集到指定路径【root】…1 准备数据集
import torch
import torchvision
# 去网上下载CIFAR10数据集【此数据集为经典的图像数字识别数据集】
# train True 代表取其中得训练数据集
# transform 参数代表将图像转换为Tensor形式
# download 为True时会去网上下载数据集到指定路径【root】中若本地已有此数据集则直接使用
train_datatorchvision.datasets.CIFAR10(root./dataset,trainTrue,transformtorchvision.transforms.ToTensor(),downloadTrue)
# 测试数据集
test_datatorchvision.datasets.CIFAR10(root./dataset,trainFalse,transformtorchvision.transforms.ToTensor(),downloadTrue)
# 查看数据集长度
train_data_sizelen(train_data)
test_data_sizelen(test_data)
print(训练数据集长度为{}.format(train_data_size))
print(测试数据集长度为{}.format(test_data_size))2 加载数据集
from torch.utils.data import DataLoader
# 将数据集加载每64张作为一组
train_dataloader DataLoader(train_data,batch_size64)
test_dataloader DataLoader(test_data,batch_size64)3 搭建神经网络
3.1 原理演示 Pytorch图像输入输出格式图像变换官方文档
此处仅举一个例子即输入图像为332×32332\times 32332×32【3通道高为32宽为32】以通过5×55\times55×5卷积核进行卷积操作时需要填写哪些参数使其变成3232×323232\times 323232×32【32通道高为32宽为32】的图像 不知道卷积是啥意思的可以参考如下视频
B站土堆说卷积操作
官方文档中关于二维图像的卷积函数中的参数是这样解释的【此处仅对需要用到的部分进行注释】 输入图像与输出图像的对应数学关系如下 图上没有采用空洞卷积dilation参数默认是1假设stride通常都是1先尝试 Hout⌊Hin2×padding[0]−dilation[0]×(kernel_size[0]−1)−1stride[0]1⌋32⌊322×padding[0]−1×(5−1)−111⌋padding[0]2Wout⌊Win2×padding[1]−dilation[1]×(kernel_size[1]−1)−1stride[1]1⌋∴同理可得padding[1]也为2H_{out}\left \lfloor \dfrac{H_{in}2\times padding[0]-dilation[0]\times(kernel\_size[0]-1)-1}{stride[0]}1 \right \rfloor \\ 32\left \lfloor \dfrac{322\times padding[0] - 1\times (5-1)-1}{1}1 \right \rfloor \\ padding[0]2\\ \\ W_{out}\left \lfloor \dfrac{W_{in}2\times padding[1]-dilation[1]\times(kernel\_size[1]-1)-1}{stride[1]}1 \right \rfloor \\ \therefore 同理可得padding[1]也为2 Hout⌊stride[0]Hin2×padding[0]−dilation[0]×(kernel_size[0]−1)−11⌋32⌊1322×padding[0]−1×(5−1)−11⌋padding[0]2Wout⌊stride[1]Win2×padding[1]−dilation[1]×(kernel_size[1]−1)−11⌋∴同理可得padding[1]也为2 padding直接传入参数2即可默认会将padding这个tuple都赋为2
# 因此进行如上变换需要传参如下
self.conv1 Conv2d(in_channels3, out_channels32,kernel_size5, stride1, padding2)3.2 代码实现
from torch.nn import Conv2d,MaxPool2d,Flatten,Linear
# 神经网络模型
class TrainModule(nn.Module):def __init__(self):super().__init__()# 按照上边参考图对数据依次进行如下处理最后得到的就是关于当前图像的分类概率预测self.model nn.Sequential(nn.Conv2d(in_channels3, out_channels32,kernel_size5, stride1, padding(2, 2)),# 最大池化操作nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),# 扁平化nn.Flatten(),# 线性处理nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, x):x self.model(x)return xnet TrainModule()
# 以下部分均为测试神经网络功能
# 模拟输入数据64张图片。每个图的格式为3*32*32
input torch.ones((64, 3, 32, 32))
# 调用神经网络类时会调用forward方法
output net(input)
# 输出结果为torch.Size([64, 10])说明返回结果是64张图片再十个数字类别中的概率
print(output.shape)4 损失函数 我们通过比对预测值和真实值的差距从而得知模型的训练优劣损失函数将这个指标数据化损失函数越小说明模型训练得越好 import tensorboard
from torch.utils.tensorboard import SummaryWriter
# 损失函数
loss_fn nn.CrossEntropyLoss()
# 优化器,SGD为随机梯度下降法
# 传入需要梯度下降的参数以及学习率1e-2等价于0.01
optimizer torch.optim.SGD(net.parameters(), lr1e-2)# 记录训练次数
total_train_step 0
# 记录测试次数
total_test_step 0
# 训练轮数【电脑性能有限只打个样例】
epoch 2
writer SummaryWriter(./logs)
for i in range(epoch):print(------第{}轮训练开始------.format(i1))# 训练步骤开始for data in train_dataloader:imgs, targets data# 将图片传入神经网络后得到输出结果outputs net(imgs)# 将输出结果与原标签进行比对计算损失函数loss loss_fn(outputs, targets)# 在应用层面可以简单理解梯度清零反向传播优化器优化为三个固定步骤# 梯度清零optimizer.zero_grad()# 反向传播更新权重loss.backward()# 对得到的参数进行优化optimizer.step()total_train_step 1# 为避免打印太多训练100次才打印1次if total_train_step % 100 0:# loss.item()作用是把tensor转为一个数字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total_test_loss 0total_accuracy 0# with的这段语句可以简单理解为提升运行效率with torch.no_grad():# 拿测试集中的数据来验证模型for data in test_dataloader:imgs, targets dataoutputs net(imgs)loss loss_fn(outputs, targets)total_test_loss loss.item()# agrmax(1)是将tensor对象按行看最大值下标进行存储此处是数字图像因此最大值下标实则就是我们的预测值# 此处是拿标签进行验证统计预测正确的概率方便后边计算正确率accuracy (outputs.argmax(1) targets).sum()total_accuracy accuracyprint(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)total_test_step 1# 将每轮训练的模型都进行保存方便以后直接调用训练完毕的模型torch.save(net, tarin_{}.pth.format(total_test_step))writer.close()5. 利用GPU训练【优化训练速度】 如何电脑有GPU的话优先 利用GPU进行训练速度会快很多 # 在有cuda方法的部分都加上
if torch.cuda.is_available():# 把数据交给GPU处理imgs imgs.cuda()targets targets.cuda()如下方法也可以【常用】
# 指定device指向设备的第一张显卡
device torch.device(cuda:0)
# 优先使用这张显卡处理
imgs imgs.to(device)# 也可以这样指定防止出错
device torch.device( cuda if torch.cuda.is_available() else cpu)
