网站筛选功能,苏州做网站外包的公司,广西网络推广,做网站涉及到哪些文章目录 一、环境配置二、准备数据三、搭建网络结构四、开始训练五、查看训练结果六、总结3.1 ⭐ torch.nn.Conv2d()详解3.2 ⭐ torch.nn.Linear()详解3.3 ⭐torch.nn.MaxPool2d()详解3.4 ⭐ 关于卷积层、池化层的计算4.2.1 optimizer.zero_grad()说明4.2.2 loss.backward()说… 文章目录 一、环境配置二、准备数据三、搭建网络结构四、开始训练五、查看训练结果六、总结3.1 ⭐ torch.nn.Conv2d()详解3.2 ⭐ torch.nn.Linear()详解3.3 ⭐torch.nn.MaxPool2d()详解3.4 ⭐ 关于卷积层、池化层的计算4.2.1 optimizer.zero_grad()说明4.2.2 loss.backward()说明4.2.3 optimizer.step()说明4.4.1 model.train()说明4.4.2 model.eval()说明 本文采用CIFAR10数据集通过简单CNN来实现彩色图片识别。 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 | 接辅导、项目定制 一、环境配置
# 1. 设置环境
import sys
from datetime import datetimeimport torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvisionprint(---------------------1.配置环境------------------)
print(Start time: , datetime.today())
print(Pytorch version: torch.__version__)
print(Python version: sys.version)device torch.device(cuda if torch.cuda.is_available() else cpu)
device二、准备数据
导入数据的方式和【Week P1】中的方法是一致的都是通过dataset下载数据集、通过dataloader加载数据集。 2. 导入数据使用dataset下载CIFAR10数据集并划分好训练集与测试集使用dataloader加载数据并设置好基本的batch_sizeprint(---------------------2.1 下载CIFAR10数据集并划分训练集和测试集------------------)
train_ds torchvision.datasets.CIFAR10(data, trainTrue, transformtorchvision.transforms.ToTensor(), # 将数据类型转化为TensordownloadTrue)test_ds torchvision.datasets.CIFAR10(data, trainFalse, transformtorchvision.transforms.ToTensor(), # 将数据类型转化为TensordownloadTrue)print(---------------------2.2 设置batch_size------------------)
batch_size 32train_dl torch.utils.data.DataLoader(train_ds, batch_sizebatch_size, shuffleTrue)test_dl torch.utils.data.DataLoader(test_ds, batch_sizebatch_size)print(---------------------2.2.1 取一个批次查看数据格式------------------)
# 取一个批次查看数据格式
# 数据的shape为[batch_size, channel, height, weight]
# 其中batch_size为自己设定channelheight和weight分别是图片的通道数高度和宽度。
imgs, labels next(iter(train_dl))
imgs.shapeprint(---------------------2.3 数据可视化------------------)
import numpy as np# 指定图片大小图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize(20, 5))
for i, imgs in enumerate(imgs[:20]):# 维度缩减npimg imgs.numpy().transpose((1, 2, 0))# 将整个figure分成2行10列绘制第i1个子图。plt.subplot(2, 10, i1)plt.imshow(npimg, cmapplt.cm.binary)plt.axis(off)#plt.show() 如果你使用的是Pycharm编译器请加上这行代码等待漫长的4h35min后
三、搭建网络结构
对于一般的CNN网络来说都是由特征提取网络和分类网络构成其中特征提取网络用于提取图片的特征分类网络用于将图片进行分类。
用到的运算主要有卷积、池化。
网络结构 以下几点涉及到的内容统一在文末说明 3.1 ⭐ torch.nn.Conv2d()详解 3.2 ⭐ torch.nn.Linear()详解 3.3 ⭐torch.nn.MaxPool2d()详解 3.4 ⭐ 关于卷积层、池化层的计算 print(---------------------3.1 定义简单CNN网络要点卷积和池化运算------------------)
import torch.nn.functional as Fnum_classes 10 # 图片的类别数class Model(nn.Module):def __init__(self):super().__init__()# 特征提取网络self.conv1 nn.Conv2d(3, 64, kernel_size3) # 第一层卷积,卷积核大小为3*3self.pool1 nn.MaxPool2d(kernel_size2) # 设置池化层池化核大小为2*2self.conv2 nn.Conv2d(64, 64, kernel_size3) # 第二层卷积,卷积核大小为3*3 self.pool2 nn.MaxPool2d(kernel_size2) self.conv3 nn.Conv2d(64, 128, kernel_size3) # 第二层卷积,卷积核大小为3*3 self.pool3 nn.MaxPool2d(kernel_size2) # 分类网络self.fc1 nn.Linear(512, 256) self.fc2 nn.Linear(256, num_classes)# 前向传播def forward(self, x):x self.pool1(F.relu(self.conv1(x))) x self.pool2(F.relu(self.conv2(x)))x self.pool3(F.relu(self.conv3(x)))x torch.flatten(x, start_dim1)x F.relu(self.fc1(x))x self.fc2(x)return xprint(---------------------3.2 加载和打印网络结构------------------)
from torchinfo import summary
# 将模型转移到GPU中我们模型运行均在GPU中进行
model Model().to(device)summary(model)四、开始训练 4.2 编写训练函数中用到的函数有 optimizer.zero_grad() loss.backward()optimizer.step() 在文末说明每个函数的使用方法 4.3 编写测试函数中: 测试函数和训练函数大致相同但是由于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 4.4 正式训练中使用的训练方法包括 model.train()作用是启用 Batch Normalization 和 Dropoutmodel.eval()作用是不启用 Batch Normalization 和 Dropout # 4. 训练模型
print(---------------------4.1 设置超参数------------------)
loss_fn nn.CrossEntropyLoss() # 创建损失函数
learn_rate 1e-2 # 学习率
opt torch.optim.SGD(model.parameters(),lrlearn_rate)print(---------------------4.2 编写训练函数-----------------)
# 训练循环
# 训练循环
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小一共60000张图片num_batches len(dataloader) # 批次数目187560000/32train_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_lossprint(---------------------4.3 编写测试函数-----------------)
def test (dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小一共10000张图片num_batches len(dataloader) # 批次数目31310000/32312.5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_lossprint(---------------------4.4 正式训练-----------------)
epochs 10
train_loss []
train_acc []
test_loss []
test_acc []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)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)template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%Test_loss:{:.3f})print(template.format(epoch1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print(Done)五、查看训练结果
print(---------------------5. 查看训练结果-----------------)
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.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()可以看到训练10个epoch后的效果是非常差的训练准确率和测试准确率都不到60%。
六、总结
3.1 ⭐ torch.nn.Conv2d()详解
函数原型 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride1, padding0, dilation1, groups1, biasTrue, padding_modezeros, deviceNone, dtypeNone) 关键参数说明 in_channels ( int )输入图像中的通道数out_channels ( int ) 卷积产生的通道数kernel_size ( int or tuple ) 卷积核的大小stride ( int or tuple , optional ) 卷积的步长。默认值1padding ( int , tuple或str , optional ) 添加到输入的所有四个边的填充。默认值0dilation (int or tuple, optional)膨胀操作控制kernel点卷积核点的间距默认值:1。padding_mode (字符串,可选) ‘zeros’, ‘reflect’, ‘replicate’或’circular’. 默认‘zeros’ 关于dilation参数图解 3.2 ⭐ torch.nn.Linear()详解
函数原型 torch.nn.Linear(in_features, out_features, biasTrue, deviceNone, dtypeNone) 关键参数说明 in_features每个输入样本的大小out_features每个输出样本的大小 3.3 ⭐torch.nn.MaxPool2d()详解
函数原型
torch.nn.MaxPool2d(kernel_size, strideNone, padding0, dilation1, return_indicesFalse, ceil_modeFalse)
关键参数说明 kernel_size最大的窗口大小stride窗口的步幅默认值为kernel_size核的大小padding填充值默认为0 dilation控制窗口中元素步长的参数 3.4 ⭐ 关于卷积层、池化层的计算
下面的网络数据shape变化过程为 3, 32, 32输入数据→ 64, 30, 30经过卷积层1→ 64, 15, 15经过池化层1→ 64, 13, 13经过卷积层2→ 64, 6, 6经过池化层2→ 128, 4, 4经过卷积层3 → 128, 2, 2经过池化层3→ 512 - 256→ num_classes(10) 计算过程如下 1卷积输出shape公式 输入数据为[3, 32, 32]即图片矩阵大小为32*32卷积核大小为3填充步长为默认值0步长为默认值1代入计算得到输出的大小为30*30输出通道不变所以输入数据[3, 32, 32]经过Conv1层后得到的shape为·[64, 30, 30]·。 2池化输出公式 输入的数据格式(从Conv1得到)是[64, 30, 30]即 [C*Hin*Win]已知Hin30padding0dilation1kernel_size2stride2即kernel_size代入上述池化公式可得Hout15 同理Wout15C保持不变故而output.shape为 [64, 15, 15]。 4.2.1 optimizer.zero_grad()说明
optimizer.zero_grad()函数会遍历模型的所有参数通过内置方法截断反向传播的梯度流再将每个参数的梯度值设为0即上一次的梯度记录被清空。
4.2.2 loss.backward()说明 PyTorch的反向传播(即tensor.backward())是通过autograd包来实现的autograd包会根据tensor进行过的数学运算来自动计算其对应的梯度。 具体来说torch.tensor是autograd包的基础类如果设置tensor的requires_grads为True就会开始跟踪在这个tensor上的所有运算如果做完运算后使用tensor.backward()所有的梯度就会自动运算tensor的梯度将会累加到它的.grad属性里面去。 更具体地说损失函数loss是由模型的所有权重w经过一系列运算得到的若某个w的requires_grads为True则w的所有上层参数后面层的权重w的.grad_fn属性中就保存了对应的运算然后在使用loss.backward()后会一层层的反向传播计算每个w的梯度值并保存到该w的.grad属性中。 如果没有进行tensor.backward()的话梯度值将会是None因此loss.backward()要写在optimizer.step()之前。
4.2.3 optimizer.step()说明 step()函数的作用是执行一次优化步骤通过梯度下降法来更新参数的值。因为梯度下降是基于梯度的所以在执行optimizer.step()函数前应先执行loss.backward()函数来计算梯度。 注意optimizer只负责通过梯度下降进行优化而不负责产生梯度梯度是tensor.backward()方法产生的。
4.4.1 model.train()说明 model.train()的作用是启用 Batch Normalization 和 Dropout。 如果模型中有BN层(Batch Normalization和Dropout需要在训练时添加model.train()。 model.train()是保证BN层能够用到每一批数据的均值和方差。 对于Dropoutmodel.train()是随机取一部分网络连接来训练更新参数。
4.4.2 model.eval()说明 model.eval()的作用是不启用 Batch Normalization 和 Dropout。 如果模型中有BN层(Batch Normalization和Dropout在测试时添加model.eval()。 model.eval()是保证BN层能够用全部训练数据的均值和方差即测试过程中要保证BN层的均值和方差不变。 对于Dropoutmodel.eval()是将所有网络连接都利用起来即不进行随机舍弃神经元。 训练完train样本后生成的模型model要用来测试样本。在model(test)之前需要加上model.eval()否则的话有输入数据即使不训练它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。
