pyTorch——训练第一个分类器要点解读
来源:互联网 发布:js实现html业务流程图 编辑:程序博客网 时间:2024/06/08 06:39
网络构建
数据加载
* 引入函数库
import torch
import torchvision
import torchvision.transforms as transforms
*将读入的数据进行转化:
transform = transforms.Compose(
[transforms.ToTensor(), ***range [0, 255] -> [0.0,1.0]
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) *数据分布归一化到[-1,1]
*利用torch自带的CIFAR10数据集加载训练集
trainset = torchvision.datasets.CIFAR10(root=’./data’, train=True,
download=True, transform=transform)
*生成batch,其中:
*参数:
dataset:Dataset类型,从其中加载数据
batch_size:int,可选。每个batch加载多少样本
shuffle:bool,可选。为True时表示每个epoch都对数据进行洗牌
sampler:Sampler,可选。从数据集中采样样本的方法。
num_workers:int,可选。加载数据时使用多少子进程。默认值为0,表示在主进程中加载数据。
collate_fn:callable,可选。
pin_memory:bool,可选
drop_last:bool,可选。True表示如果最后剩下不完全的batch,丢弃。False表示不丢弃。
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
*加载测试集
testset = torchvision.datasets.CIFAR10(root=’./data’, train=False,
download=True, transform=transform)
*测试集batch
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
*定义类别
classes = (‘plane’, ‘car’, ‘bird’, ‘cat’,
‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’)
*显示一些训练集中的图片与标签
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
img = img / 2 + 0.5 # unnormalize
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
*# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
*# show images
imshow(torchvision.utils.make_grid(images))
*# print labels
print(’ ‘.join(‘%5s’ % classes[labels[j]] for j in range(4)))
定义网络
from torch.autograd import Variable ***Variable是最核心的变量
import torch.nn as nn *神经网络库
import torch.nn.functional as F
*定义网络单元
class Net(nn.Module):
def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) //3 input image // channel, 6 output channels //5x5 square convolution self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84)def forward(self, x): //x --> conv1 --> relu --> pool -->x x = self.pool(F.relu(self.conv1(x))) //x --> conv2 --> relu -->pool --> x x = self.pool(F.relu(self.conv2(x))) //view函数将张量x变形成一维向量形式,总特征数不变,为全连接层做准备 x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x net = Net()
损失函数
***use a Classification Cross-Entropy loss and SGD with momentum
import torch.optim as optimcriterion = nn.CrossEntropyLoss()optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
训练过程
for epoch in range(2): #全部训练集训练两次:epoch=[0,1] running_loss = 0.0 #清空loss for i, data in enumerate(trainloader, 0): # get the inputs inputs, labels = data #trainloader返回:id,image,labels # 将inputs于labels装进Variable中 #(autograd.Varible[data,grad,creator]) inputs, labels = Variable(inputs), Variable(labels) # zero the parameter gradients optimizer.zero_grad() # forward + backward + optimize outputs = net(inputs) loss = criterion(outputs, labels) #back ward to every variable recorded in Variable's grad loss.backward() optimizer.step() #do SGD # print statistics running_loss += loss.data[0] if i % 2000 == 1999: # print every 2000 mini-batches print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0print('Finished Training')
测试过程
dataiter = iter(testloader)images, labels = dataiter.next()# print imagesimshow(torchvision.utils.make_grid(images))print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
outputs = net(Variable(images))_, predicted = torch.max(outputs.data, 1)print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))
***On the whole dataset
correct = 0total = 0for data in testloader: images, labels = data outputs = net(Variable(images)) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum()print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total))
在GPU上训练
*将网络转到GPU上
net.cuda()
*数据也要在GPU上
inputs, labels = Variable(inputs.cuda()), Variable(labels.cuda())
- pyTorch——训练第一个分类器要点解读
- 基于PyTorch的深度学习入门教程(五)——训练神经网络分类器
- pytorch训练imagenet分类
- Tensorflow训练第一个线性回归分类器
- PyTorch学习之路(level1)——训练一个图像分类模型
- PyTorch基本用法(五)——分类
- Pytorch学习系列(八)——训练神经网络
- PyTorch基本用法(八)——批训练
- adaboost训练——弱分类器训练原理
- adaboost训练——强分类器训练原理
- PyTorch学习—PyTorch是什么?
- 使用pytorch预训练模型分类与特征提取
- 莫烦PyTorch学习笔记(三)——分类
- PyTorch批训练及优化器比较
- opencv实践程序9——分类器训练过程
- PyTorch学习系列(十)——如何在训练时固定一些层?
- PyTorch(三)——使用训练好的模型测试自己图片
- PyTorch学习系列(十五)——如何加载预训练模型?
- Underscore的安装,以及用法
- 如何评价 UCLA 朱松纯教授近日访谈中对深度学习的批评?
- B树、B+树、B*树、R树
- Lucene简介
- 高通平台framework,hal,kernel打开log
- pyTorch——训练第一个分类器要点解读
- 更改Eclipse下Tomcat的默认自动部署目录
- input标签实现让光标不出现!(兼容版)
- 【BZOJ1001】狼抓兔子(BJOI2006)-平面图最小割转最短路
- HTML01-基础
- Practical Knowledge About Fiber Optic Cable
- 在myeclipse中的项目名称修改成功,但是部署到tomcat下后发现仍然是以前的名称homeworkApp,解决方式
- 【ACM中的图论】
- conda安装和使用