搭建网络模型

1. 导入模块

• import 模块

2. 选择设备

• device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

3. 准备数据集

• 训练集：
  • train_data = torchvision.datasets.CIFAR10(root="./data_CIFAR10", train=True,transform=torchvision.transforms.ToTensor(),download=True)
• 测试集：
  • test_data = torchvision.datasets.CIFAR10(root="./data_CIFAR10", train=False,transform=torchvision.transforms.ToTensor(),download=True)

4. 加载数据集

• train_dataloader = DataLoader(train_data, batch_size=64)
• test_dataloader = DataLoader(test_data, batch_size=64)

5. 创建网络模型

• class MyModel(nn.Module):
  • def init(self):
    • xxxxxxx
    • xxxxxxx
  • def forward(self, x):
    • x = self.model1(x)
    • return x

6. 实例化网络模型

• net_model = MyModel()
• net_model = net_model.to(device)

7. 定义损失函数

• loss_fn = nn.xxxxxxxLoss()
• if torch.cuda.is_available():
  • loss_fn = loss_fn.cuda()

8. 定义优化器

• optimizer = torch.optim.SGD(net_model.parameters(), lr=learning_rate)
• optimizer = optim.SGD(net.parameters(), lr=opt.lr, momentum=0.9) # 选择优化器
• scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1) # 设置学习率下降策略

9. 训练部分

• for i in range(epoch):

  • 训练步骤

  • for data in train_dataloader:

    • 1.获取训练数据
    • imgs, targets = data
    • 2.选择设备
    • imgs = imgs.to(device)
    • 3.把图片传入网络模型进行训练，返回10个结果
    • targets = targets.to(device)
    • outputs = net_model(imgs)
    • 4.进行损失函数处理
    • loss = loss_fn(outputs, targets)
    • 5.梯度清零
    • optimizer.zero_grad()
    • 6.反向传播
    • loss.backward()
    • 7.优化器，更新权重
    • optimizer.step()

  • 测试步骤

  • with torch.no_grad():

    • for data in test_dataloader:

      • imgs, targets = data # 1.获取测试数据

      • imgs = imgs.to(device) # 2.选择设备

      • targets = targets.to(device)

      • outputs = net_model(imgs) # 3.将测试图片传入训练模型

      • loss = loss_fn(outputs, targets) # 4.计算损失值

      • total_test_loss = total_test_loss + loss.item() # 5.计算总的损失值

      • accuracy = (outputs.argmax(1) == targets).sum() # 6.计算准确率

      • total_accuarcy = total_accuarcy + accuracy # 7.计算总准确率

  • 保存训练好的模型

  • torch.save(net_model, "net_model{}.path".format(i))

10. 验证数据

• 待验证图片预处理

  • 转换为和测试集相同格式的图片，输入为同类型
  • 1. 加载
  • transfrom = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),torchvision.transforms.ToTensor()])
  • image = transfrom(image)
  • 2. 转换
  • image = torch.reshape(image, (1, 3, 32, 32))

• 加载保存的模型

  • model = torch.load("net_model25.path")

• 验证

• model.eval()

• with torch.no_grad():

  • image = image.to(device)# 转换成相同类型数据集
  • output = model(image)

• print(output)

• print(output.argmax(1))