百货网站建设,北京公关公司最好的公司,传媒公司取名,成都app定制开发首先要明确一点#xff0c;我们在编写模型、训练和使用模型的时候通常都是分开的#xff0c;所以应该把Module的编写以及train方法和test方法分开编写。
调用gpu进行训练#xff1a;在网络模型#xff0c;数据#xff0c;损失函数对象后面都使用.cuda#xff08;#x…首先要明确一点我们在编写模型、训练和使用模型的时候通常都是分开的所以应该把Module的编写以及train方法和test方法分开编写。
调用gpu进行训练在网络模型数据损失函数对象后面都使用.cuda方法如loss_fn loss_fn.cuda()
【代码示例】完成完整CIFAR10模型的训练
按照官网给出的模型结构进行构建 # model.py
class myModule(nn.Module):def __init__(self):super().__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, ingput):output self.model(ingput)return output导入自己创建的模型实例化一个模型对象之后导入CIFAR10数据集进行训练
# train.py
import torchvision
from torch.utils.tensorboard import SummaryWriter
from module import *
from torch import nn
from torch.utils.data import DataLoader# 使用Dataset来下载数据集
train_data torchvision.datasets.CIFAR10(rootdataset/CIFAR10, trainTrue, transformtorchvision.transforms.ToTensor(),downloadTrue)
test_data torchvision.datasets.CIFAR10(rootdataset/CIFAR10, trainFalse, transformtorchvision.transforms.ToTensor(),downloadTrue)# 数据集长度
train_data_size len(train_data)
test_data_size len(test_data)
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))# 利用 DataLoader 来加载数据集
train_dataloader DataLoader(train_data, batch_size64)
test_dataloader DataLoader(test_data, batch_size64)# 创建网络模型实例化自定义的模型
mymodule myModule()
if torch.cuda.is_available():mymodule mymodule.cuda()# 定义损失函数为交叉熵损失函数
loss_fn nn.CrossEntropyLoss()
if torch.cuda.is_available():loss_fn loss_fn.cuda()# 优化器
learning_rate 0.01
optimizer torch.optim.SGD(mymodule.parameters(), lrlearning_rate)# 设置训练网络的一些参数
# 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# tensorboard配置日志目录
writer SummaryWriter(logs_train)for i in range(epoch):print(-------第 {} 轮训练开始-------.format(i1))# 训练步骤开始mymodule.train()for data in train_dataloader:imgs, targets dataif torch.cuda.is_available():imgs imgs.cuda()targets targets.cuda()outputs mymodule(imgs)loss loss_fn(outputs, targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step total_train_step 1 # 每读取一次图片1if 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mymodule.eval()total_test_loss 0 # 损失函数值total_accuracy 0 # 准确率with torch.no_grad():for data in test_dataloader:imgs, targets dataif torch.cuda.is_available():imgs imgs.cuda()targets targets.cuda()outputs mymodule(imgs)loss loss_fn(outputs, targets)total_test_loss total_test_loss loss.item()accuracy (outputs.argmax(1) targets).sum()total_accuracy 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)writer.add_scalar(test_accuracy, total_accuracy/test_data_size, total_test_step)total_test_step total_test_step 1# 每轮都保存模型torch.save(mymodule, mymodule{}.pth.format(i))print(模型已保存)writer.close()
# test.py
import torch
import torchvision
from PIL import Image
from torch import nnimage_path imgs/airplane.png
image Image.open(image_path)
print(image)
image image.convert(RGB)
transform torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),torchvision.transforms.ToTensor()])image transform(image)
print(image.shape)class Tudui(nn.Module):def __init__(self):super(Tudui, 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 xmodel torch.load(mymodule9.pth, map_locationtorch.device(cpu))
print(model)
image torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():output model(image)
print(output)print(output.argmax(1))
