1元注册新域名,长沙 网站seo服务 网络服务,静态wordpress ajax,wap的网站模板#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊 我的环境 语言环境#xff1a;python 3.7.12 编译器#xff1a;pycharm 深度学习环境#xff1a;tensorflow 2.7.0 数据#xff1a;本地数据集-运动鞋
一… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 我的环境 语言环境python 3.7.12 编译器pycharm 深度学习环境tensorflow 2.7.0 数据本地数据集-运动鞋
一、代码
# 1 设置GPU
import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasetsimport os,PIL,pathlibdevice torch.device(cuda if torch.cuda.is_available() else cpu)print(device)# 2 导入数据
import os,PIL,random,pathlibdata_dir ./data_sneakers/
data_dir pathlib.Path(data_dir)data_paths list(data_dir.glob(*))
classeNames [str(path).split(/)[1] for path in data_paths]
print(classeNames)
# 构建数据集
# 关于transforms.Compose的更多介绍可以参考https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸# transforms.RandomHorizontalFlip(), # 随机水平翻转transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406],std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])test_transform transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406],std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])train_dataset datasets.ImageFolder(./data_sneakers/train/,transformtrain_transforms)
test_dataset datasets.ImageFolder(./data_sneakers/test/,transformtest_transform)train_dataset.class_to_idxbatch_size 32train_dl torch.utils.data.DataLoader(train_dataset,batch_sizebatch_size,shuffleTrue,num_workers1)
test_dl torch.utils.data.DataLoader(test_dataset,batch_sizebatch_size,shuffleTrue,num_workers1)for X, y in test_dl:print(Shape of X [N, C, H, W]: , X.shape)print(Shape of y: , y.shape, y.dtype)break# 3 构建简单的CNN
import torch.nn.functional as Fclass Model(nn.Module):def __init__(self):super(Model, self).__init__()self.conv1 nn.Sequential(nn.Conv2d(3, 12, kernel_size5, padding0), # 12*220*220nn.BatchNorm2d(12),nn.ReLU())self.conv2 nn.Sequential(nn.Conv2d(12, 12, kernel_size5, padding0), # 12*216*216nn.BatchNorm2d(12),nn.ReLU())self.pool3 nn.Sequential(nn.MaxPool2d(2)) # 12*108*108self.conv4 nn.Sequential(nn.Conv2d(12, 24, kernel_size5, padding0), # 24*104*104nn.BatchNorm2d(24),nn.ReLU())self.conv5 nn.Sequential(nn.Conv2d(24, 24, kernel_size5, padding0), # 24*100*100nn.BatchNorm2d(24),nn.ReLU())self.pool6 nn.Sequential(nn.MaxPool2d(2)) # 24*50*50self.dropout nn.Sequential(nn.Dropout(0.2))self.fc nn.Sequential(nn.Linear(24 * 50 * 50, len(classeNames)))def forward(self, x):batch_size x.size(0)x self.conv1(x) # 卷积-BN-激活x self.conv2(x) # 卷积-BN-激活x self.pool3(x) # 池化x self.conv4(x) # 卷积-BN-激活x self.conv5(x) # 卷积-BN-激活x self.pool6(x) # 池化x self.dropout(x)x x.view(batch_size, -1) # flatten 变成全连接网络需要的输入 (batch, 24*50*50) (batch, -1), -1 此处自动算出的是24*50*50x self.fc(x)return xdevice cuda if torch.cuda.is_available() else cpu
print(Using {} device.format(device))model Model().to(device)
print(model)# 4 训练模型
# 训练函数
# 训练循环
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)train_loss, train_acc 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签X, y X.to(device), y.to(device)# 计算预测误差pred model(X) # 网络输出loss loss_fn(pred, y) # 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad() # grad属性归零loss.backward() # 反向传播optimizer.step() # 每一步自动更新# 记录acc与losstrain_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss# 测试函数
def test(dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)test_loss, test_acc 0, 0# 当不进行训练时停止梯度更新节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target imgs.to(device), target.to(device)# 计算losstarget_pred model(imgs)loss loss_fn(target_pred, target)test_loss loss.item()test_acc (target_pred.argmax(1) target).type(torch.float).sum().item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_loss
# 设置动态学习率
def adjust_learning_rate(optimizer, epoch, start_lr):# 每 2 个epoch衰减到原来的 0.92lr start_lr * (0.92 ** (epoch // 2))for param_group in optimizer.param_groups:param_group[lr] lrlearn_rate 1e-4 # 初始学习率
optimizer torch.optim.SGD(model.parameters(), lrlearn_rate)# # 调用官方动态学习率接口时使用
# lambda1 lambda epoch: (0.92 ** (epoch // 2))
# optimizer torch.optim.SGD(model.parameters(), lrlearn_rate)
# scheduler torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambdalambda1) #选定调整方法# 5 训练
loss_fn nn.CrossEntropyLoss() # 创建损失函数
epochs 40train_loss []
train_acc []
test_loss []
test_acc []for epoch in range(epochs):# 更新学习率使用自定义学习率时使用adjust_learning_rate(optimizer, epoch, learn_rate)model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, optimizer)# scheduler.step() # 更新学习率调用官方动态学习率接口时使用model.eval()epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr optimizer.state_dict()[param_groups][0][lr]template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E})print(template.format(epoch 1, epoch_train_acc * 100, epoch_train_loss,epoch_test_acc * 100, epoch_test_loss, lr))
print(Done)# 6 结果可视化
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings(ignore) #忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
plt.rcParams[figure.dpi] 100 #分辨率from datetime import datetime
current_time datetime.now() # 获取当前时间epochs_range range(epochs)plt.figure(figsize(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy)
plt.plot(epochs_range, test_acc, labelTest Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)
plt.xlabel(current_time) # 打卡请带上时间戳否则代码截图无效plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, labelTraining Loss)
plt.plot(epochs_range, test_loss, labelTest Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.show()# 预测指定图片
from PIL import Imageclasses list(train_dataset.class_to_idx)def predict_one_image(image_path, model, transform, classes):test_img Image.open(image_path).convert(RGB)# plt.imshow(test_img) # 展示预测的图片test_img transform(test_img)img test_img.to(device).unsqueeze(0)model.eval()output model(img)_, pred torch.max(output, 1)pred_class classes[pred]print(f预测结果是{pred_class})# 预测训练集中的某张照片
predict_one_image(image_path./data_sneakers/test/adidas/1.jpg,modelmodel,transformtrain_transforms,classesclasses)# 模型保存
PATH ./model.pth # 保存的参数文件名
torch.save(model.state_dict(), PATH)# 将参数加载到model当中
model.load_state_dict(torch.load(PATH, map_locationdevice))二、结果 三、总结
3.1导入数据步骤
● 第一步使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。 ● 第二步使用glob()方法获取data_dir路径下的所有文件路径并以列表形式存储在data_paths中。 ● 第三步通过split()函数对data_paths中的每个文件路径执行分割操作获得各个文件所属的类别名称并存储在classeNames中 ● 第四步打印classeNames列表显示每个文件所属的类别名称。
3.2 模型结构 3.3训练函数与测试函数区别
由于测试不进行梯度下降对网络权重进行更新所以不需要传入优化器
3.4动态学习率
1. torch.optim.lr_scheduler.StepLR
等间隔动态调整方法每经过step_size个epoch做一次学习率decay以gamma值为缩小倍数。
函数原型 torch.optim.lr_scheduler.StepLR(optimizer, step_size, gamma0.1, last_epoch-1)
关键参数详解 ● optimizer(Optimizer)是之前定义好的需要优化的优化器的实例名 ● step_size(int)是学习率衰减的周期每经过每个epoch做一次学习率decay ● gamma(float)学习率衰减的乘法因子。Default0.1
用法示例
optimizer torch.optim.SGD(net.parameters(), lr0.001 )
scheduler torch.optim.lr_scheduler.StepLR(optimizer, step_size5, gamma0.1)2. lr_scheduler.LambdaLR
根据自己定义的函数更新学习率。
函数原型 torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda, last_epoch-1, verboseFalse)
关键参数详解 ● optimizer(Optimizer)是之前定义好的需要优化的优化器的实例名 ● lr_lambda(function)更新学习率的函数
用法示例
lambda1 lambda epoch: (0.92 ** (epoch // 2) # 第二组参数的调整方法
optimizer torch.optim.SGD(model.parameters(), lrlearn_rate)
scheduler torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambdalambda1) #选定调整方法3. lr_scheduler.MultiStepLR
在特定的 epoch 中调整学习率
函数原型 torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma0.1, last_epoch-1, verboseFalse)
关键参数详解 ● optimizer(Optimizer)是之前定义好的需要优化的优化器的实例名 ● milestones(list)是一个关于epoch数值的list表示在达到哪个epoch范围内开始变化必须是升序排列 ● gamma(float)学习率衰减的乘法因子。Default0.1
用法示例
optimizer torch.optim.SGD(net.parameters(), lr0.001 )
scheduler torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones[2,6,15], #调整学习率的epoch数gamma0.1)更多的官方动态学习率设置方式可参考https://pytorch.org/docs/stable/optim.html 调用官方接口示例
model [Parameter(torch.randn(2, 2, requires_gradTrue))]
optimizer SGD(model, 0.1)
scheduler ExponentialLR(optimizer, gamma0.9)for epoch in range(20):for input, target in dataset:optimizer.zero_grad()output model(input)loss loss_fn(output, target)loss.backward()optimizer.step()scheduler.step()
