PyTorch深度学习入门笔记（小土堆）P26-32-平芜编程栈

PyTorch深度学习入门笔记P26-32

@ZZHow(ZZHow1024)

参考课程：

【PyTorch深度学习快速入门教程【小土堆】】

[https://www.bilibili.com/video/BV1hE411t7RN]

P26. 完整的模型训练套路（一）

训练部分

model.py

importtorchfromtorchimportnnfromtorch.nnimportSequential# 搭建神经网络classMyModel(torch.nn.Module):def__init__(self):super(MyModel,self).__init__()self.model=Sequential(nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,stride=1,padding=2),nn.MaxPool2d(kernel_size=2),nn.Conv2d(in_channels=32,out_channels=32,kernel_size=5,stride=1,padding=2),nn.MaxPool2d(kernel_size=2),nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,stride=1,padding=2),nn.MaxPool2d(kernel_size=2),nn.Flatten(),nn.Linear(in_features=64*4*4,out_features=64),nn.Linear(in_features=64,out_features=10),)defforward(self,x):x=self.model(x)returnx# 测试神经网络模型结构的正确性if__name__=='__main__':model=MyModel()input=torch.ones([64,3,32,32])output=model(input)print(output.shape)

train.py

importtorchimporttorchvision.datasetsfrommodelimportMyModel# 准备数据集train_data=torchvision.datasets.CIFAR10('dataset',train=True,transform=torchvision.transforms.ToTensor(),download=True)test_data=torchvision.datasets.CIFAR10('dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)# 获取数据集的长度train_data_size=len(train_data)test_data_size=len(test_data)print(f'训练数据集的长度为：{train_data_size}')print(f'测试数据集的长度为：{test_data_size}')# 使用 Dataloader 加载数据集train_dataloader=torch.utils.data.DataLoader(train_data,batch_size=64)test_dataloader=torch.utils.data.DataLoader(test_data,batch_size=64)# 创建网络模型model=MyModel()# 损失函数loss_fn=torch.nn.CrossEntropyLoss()# 优化器learning_rate=1e-2optimizer=torch.optim.SGD(model.parameters(),lr=learning_rate)# 设置训练网络的参数total_train_step=0# 训练次数total_test_step=0# 测试次数epoch=10# 训练轮次foriinrange(epoch):print(f'---第{i+1}轮训练开始---')# 训练步骤开始fordataintrain_dataloader:images,targets=data outputs=model(images)loss=loss_fn(outputs,targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step+=1print(f'训练次数：{total_train_step}，Loss：{loss.item()}')

P27. 完整的模型训练套路（二）

测试（验证）部分

# 测试步骤开始total_test_loss=0# 总测试 Losstotal_accuracy=0# 总正确率withtorch.no_grad():fordataintest_dataloader:images,targets=data outputs=model(images)loss=loss_fn(outputs,targets)total_test_loss+=loss.item()accuracy=(outputs.argmax(1)==targets).sum()total_accuracy+=accuracy writer.add_scalar('test_loss',total_test_loss,total_test_step)writer.add_scalar('test_accuracy',total_accuracy/test_data_size,total_test_step)print(f'测试集上的总 Loss：{total_test_loss}')print(f'测试集上的总 正确率：{total_accuracy/test_data_size}')torch.save(model.state_dict(),os.path.join('model',f'model_{i}.pth'))print(f'模型已保存，文件名：model_{i}.pth')total_test_step+=1

P28. 完整的模型训练套路（三）

训练步骤开始时
```
model.train()
```
测试步骤开始时
```
model.eval()
```
案例演示：model.py和train.py

P29. 利用GPU训练（一）

方式一

在网络模型、数据（输入，标注）和损失函数后加上.cuda()

# 创建网络模型model=MyModel()iftorch.cuda.is_available():model=model.cuda()# 损失函数loss_fn=torch.nn.CrossEntropyLoss()iftorch.cuda.is_available():loss_fn=loss_fn.cuda()# 数据（输入，标注）images,targets=dataiftorch.cuda.is_available():images=images.cuda()targets=targets.cuda()

案例演示：train_gpu_1.py

P30. 利用GPU训练（二）

方式二

在网络模型、数据（输入，标注）和损失函数后通过.to(device)转移到对应设备

# 训练设备device='cpu'iftorch.cuda.is_available():device='cuda'eliftorch.mps.is_available():device='mps'print(f'训练设备：{device}')# 创建网络模型model=MyModel()model.to(device)# 损失函数loss_fn=torch.nn.CrossEntropyLoss()loss_fn=loss_fn.to(device)# 数据（输入，标注）images,targets=data images=images.to(device)targets=targets.to(device)

案例演示：train_gpu_2.py

P31. 完整的模型验证套路

test.py

importosimporttorchimporttorchvisionfromPILimportImagefrommodelimportMyModel# 测试图片名称image_name='dog.png'# 测试模型名称model_name='model_29.pth'# 测试设备device='cpu'iftorch.cuda.is_available():device='cuda'eliftorch.mps.is_available():device='mps'print(f'测试设备：{device}')# 测试图片路径image_path=os.path.join('images',image_name)image=Image.open(image_path)image=image.convert('RGB')print(image)# 图片预处理transform=torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),torchvision.transforms.ToTensor()])image=transform(image)image=torch.reshape(image,(1,3,32,32))print(image.shape)# 加载模型model=MyModel()model.load_state_dict(torch.load(os.path.join('model',model_name),map_location=torch.device(device)))# 开始测试model.eval()withtorch.no_grad():output=model(image)print(output)print(output.argmax(1))