1. GPU训练30轮次¶
In [1]:
import torchvision
import torch
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time
# 定义训练的设备
#device = torch.device("cpu")
device = torch.device("cuda") # 使用 GPU 方式一
#device = torch.device("cuda:0") # 使用 GPU 方式二
#device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# from model import * 相当于把 model中的所有内容写到这里，这里直接把 model 写在这里
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model1 = nn.Sequential(
nn.Conv2d(3,32,5,1,2), # 输入通道3，输出通道32，卷积核尺寸5×5，步长1，填充2
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(), # 展平后变成 64*4*4 了
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self, x):
x = self.model1(x)
return x
# 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)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10，则打印：训练数据集的长度为：10
print("训练数据集的长度：{}".format(train_data_size))
print("测试数据集的长度：{}".format(test_data_size))
# 利用 Dataloader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
tudui = Tudui()
tudui = tudui.to(device) # 也可以不赋值，直接 tudui.to(device)
# 损失函数
loss_fn = nn.CrossEntropyLoss() # 交叉熵，fn 是 fuction 的缩写
loss_fn = loss_fn.to(device) # 也可以不赋值，直接loss_fn.to(device)
# 优化器
learning = 0.01 # 1e-2 就是 0.01 的意思
optimizer = torch.optim.SGD(tudui.parameters(),learning) # 随机梯度下降优化器
# 设置网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮次
epoch = 30
# 添加 tensorboard
writer = SummaryWriter("logs")
start_time = time.time()
for i in range(epoch):
print("-----第 {} 轮训练开始-----".format(i+1))
# 训练步骤开始
tudui.train() # 当网络中有dropout层、batchnorm层时，这些层能起作用
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device) # 也可以不赋值，直接 imgs.to(device)
targets = targets.to(device) # 也可以不赋值，直接 targets.to(device)
outputs = tudui(imgs)
loss = loss_fn(outputs, targets) # 计算实际输出与目标输出的差距
# 优化器对模型调优
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播，计算损失函数的梯度
optimizer.step() # 根据梯度，对网络的参数进行调优
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
end_time = time.time()
print(end_time - start_time) # 运行训练一百次后的时间间隔
print("训练次数：{}，Loss：{}".format(total_train_step,loss.item())) # 方式二：获得loss值
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始（每一轮训练后都查看在测试数据集上的loss情况）
tudui.eval() # 当网络中有dropout层、batchnorm层时，这些层不能起作用
total_test_loss = 0
total_accuracy = 0
with torch.no_grad(): # 没有梯度了
for data in test_dataloader: # 测试数据集提取数据
imgs, targets = data # 数据放到cuda上
imgs = imgs.to(device) # 也可以不赋值，直接 imgs.to(device)
targets = targets.to(device) # 也可以不赋值，直接 targets.to(device)
outputs = tudui(imgs)
loss = loss_fn(outputs, targets) # 仅data数据在网络模型上的损失
total_test_loss = total_test_loss + loss.item() # 所有loss
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss：{}".format(total_test_loss))
print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
writer.add_scalar("test_loss",total_test_loss,total_test_step)
writer.add_scalar("test_accuracy",total_accuracy/test_data_size,total_test_step)
total_test_step = total_test_step + 1
torch.save(tudui, "./model/tudui_{}.pth".format(i)) # 保存每一轮训练后的结果
#torch.save(tudui.state_dict(),"tudui_{}.path".format(i)) # 保存方式二
print("模型已保存")
writer.close()
Files already downloaded and verified Files already downloaded and verified 训练数据集的长度：50000 测试数据集的长度：10000 -----第 1 轮训练开始----- 5.685762882232666 训练次数：100，Loss：2.2807211875915527 6.8356146812438965 训练次数：200，Loss：2.2813711166381836 7.945774078369141 训练次数：300，Loss：2.2436840534210205 9.072552680969238 训练次数：400，Loss：2.139457941055298 10.142128705978394 训练次数：500，Loss：1.9927244186401367 11.256510734558105 训练次数：600，Loss：2.020139217376709 12.32331919670105 训练次数：700，Loss：1.9936145544052124 整体测试集上的Loss：305.39513182640076 整体测试集上的正确率：0.29249998927116394 模型已保存 -----第 2 轮训练开始----- 14.885101795196533 训练次数：800，Loss：1.8381659984588623 15.946402072906494 训练次数：900，Loss：1.8096566200256348 17.04418158531189 训练次数：1000，Loss：1.8778941631317139 18.129207611083984 训练次数：1100，Loss：1.943365216255188 19.237319469451904 训练次数：1200，Loss：1.6915777921676636 20.327224731445312 训练次数：1300，Loss：1.6145961284637451 21.416797161102295 训练次数：1400，Loss：1.6929054260253906 22.50489115715027 训练次数：1500，Loss：1.7844973802566528 整体测试集上的Loss：288.42822670936584 整体测试集上的正确率：0.33959999680519104 模型已保存 -----第 3 轮训练开始----- 25.12572717666626 训练次数：1600，Loss：1.7492048740386963 26.190120220184326 训练次数：1700，Loss：1.6514606475830078 27.24756360054016 训练次数：1800，Loss：1.9523682594299316 28.325439929962158 训练次数：1900，Loss：1.6749478578567505 29.425256729125977 训练次数：2000，Loss：1.8842331171035767 30.521796941757202 训练次数：2100，Loss：1.498270034790039 31.60054850578308 训练次数：2200，Loss：1.479935646057129 32.69549083709717 训练次数：2300，Loss：1.7259459495544434 整体测试集上的Loss：261.9053739309311 整体测试集上的正确率：0.3955000042915344 模型已保存 -----第 4 轮训练开始----- 35.35346078872681 训练次数：2400，Loss：1.7560359239578247 36.50753092765808 训练次数：2500，Loss：1.3551620244979858 37.62624526023865 训练次数：2600，Loss：1.583783745765686 38.73269581794739 训练次数：2700，Loss：1.6835883855819702 39.81805419921875 训练次数：2800，Loss：1.5066486597061157 40.89897561073303 训练次数：2900，Loss：1.6178346872329712 41.978501081466675 训练次数：3000，Loss：1.3419572114944458 43.079394578933716 训练次数：3100，Loss：1.5225186347961426 整体测试集上的Loss：253.58813428878784 整体测试集上的正确率：0.4153999984264374 模型已保存 -----第 5 轮训练开始----- 45.72289848327637 训练次数：3200，Loss：1.3623679876327515 46.82145309448242 训练次数：3300，Loss：1.4360203742980957 47.88934278488159 训练次数：3400，Loss：1.5007973909378052 48.98452544212341 训练次数：3500，Loss：1.5463669300079346 50.044403076171875 训练次数：3600，Loss：1.6122682094573975 51.145737409591675 训练次数：3700，Loss：1.3164969682693481 52.224546670913696 训练次数：3800，Loss：1.2721624374389648 53.316651582717896 训练次数：3900，Loss：1.4059081077575684 整体测试集上的Loss：243.6600570678711 整体测试集上的正确率：0.43849998712539673 模型已保存 -----第 6 轮训练开始----- 55.939093828201294 训练次数：4000，Loss：1.3896945714950562 57.10062837600708 训练次数：4100，Loss：1.4203869104385376 58.1853346824646 训练次数：4200，Loss：1.5092504024505615 59.27726936340332 训练次数：4300，Loss：1.2549546957015991 60.38215517997742 训练次数：4400，Loss：1.1557636260986328 61.462907552719116 训练次数：4500，Loss：1.3356294631958008 62.57123851776123 训练次数：4600，Loss：1.4316595792770386 整体测试集上的Loss：233.62617886066437 整体测试集上的正确率：0.45909997820854187 模型已保存 -----第 7 轮训练开始----- 65.19007658958435 训练次数：4700，Loss：1.2923930883407593 66.32417273521423 训练次数：4800，Loss：1.514396071434021 67.48048806190491 训练次数：4900，Loss：1.3450605869293213 68.62122654914856 训练次数：5000，Loss：1.4084830284118652 69.71917247772217 训练次数：5100，Loss：0.9838876724243164 70.81213164329529 训练次数：5200，Loss：1.2724872827529907 71.89973473548889 训练次数：5300，Loss：1.24579656124115 73.00568556785583 训练次数：5400，Loss：1.3361798524856567 整体测试集上的Loss：224.09909868240356 整体测试集上的正确率：0.4838999807834625 模型已保存 -----第 8 轮训练开始----- 75.59451961517334 训练次数：5500，Loss：1.1921392679214478 76.7000367641449 训练次数：5600，Loss：1.2488406896591187 77.77421236038208 训练次数：5700，Loss：1.1721949577331543 78.86560225486755 训练次数：5800，Loss：1.2595291137695312 79.94558382034302 训练次数：5900，Loss：1.3135168552398682 81.05635809898376 训练次数：6000，Loss：1.5763839483261108 82.18682670593262 训练次数：6100，Loss：0.9930293560028076 83.2471137046814 训练次数：6200，Loss：1.078225016593933 整体测试集上的Loss：212.63363873958588 整体测试集上的正确率：0.5137999653816223 模型已保存 -----第 9 轮训练开始----- 85.80370163917542 训练次数：6300，Loss：1.3991423845291138 86.89490747451782 训练次数：6400，Loss：1.1313153505325317 87.96531939506531 训练次数：6500，Loss：1.629166841506958 89.07308554649353 训练次数：6600，Loss：1.0727297067642212 90.15298676490784 训练次数：6700，Loss：1.082014799118042 91.23814225196838 训练次数：6800，Loss：1.1563323736190796 92.33663129806519 训练次数：6900，Loss：1.1622871160507202 93.4073634147644 训练次数：7000，Loss：0.9779142141342163 整体测试集上的Loss：203.43007349967957 整体测试集上的正确率：0.5370000004768372 模型已保存 -----第 10 轮训练开始----- 96.12465476989746 训练次数：7100，Loss：1.284026861190796 97.21656942367554 训练次数：7200，Loss：1.000484824180603 98.30963373184204 训练次数：7300，Loss：1.09619140625 99.4168176651001 训练次数：7400，Loss：0.843334436416626 100.56277847290039 训练次数：7500，Loss：1.2291951179504395 101.66866254806519 训练次数：7600，Loss：1.2535988092422485 102.83877515792847 训练次数：7700，Loss：0.9017428755760193 103.93982768058777 训练次数：7800，Loss：1.237086534500122 整体测试集上的Loss：195.0189254283905 整体测试集上的正确率：0.560699999332428 模型已保存 -----第 11 轮训练开始----- 106.55706119537354 训练次数：7900，Loss：1.4266151189804077 107.71211099624634 训练次数：8000，Loss：1.1279882192611694 108.82028222084045 训练次数：8100，Loss：1.0164259672164917 109.90560793876648 训练次数：8200，Loss：1.326285719871521 111.01533007621765 训练次数：8300，Loss：1.2919878959655762 112.09464716911316 训练次数：8400，Loss：1.1172809600830078 113.18349170684814 训练次数：8500，Loss：1.238521695137024 114.26246976852417 训练次数：8600，Loss：0.9506199359893799 整体测试集上的Loss：189.5619250535965 整体测试集上的正确率：0.5791000127792358 模型已保存 -----第 12 轮训练开始----- 116.91842579841614 训练次数：8700，Loss：1.2369173765182495 117.99103927612305 训练次数：8800，Loss：1.364282250404358 119.09814977645874 训练次数：8900，Loss：1.0267009735107422 120.21280121803284 训练次数：9000，Loss：1.1791435480117798 121.33650541305542 训练次数：9100，Loss：1.088217854499817 122.4616470336914 训练次数：9200，Loss：1.0550415515899658 123.55414509773254 训练次数：9300，Loss：1.1007109880447388 整体测试集上的Loss：185.11176592111588 整体测试集上的正确率：0.5916999578475952 模型已保存 -----第 13 轮训练开始----- 126.1269052028656 训练次数：9400，Loss：0.9525507688522339 127.21744632720947 训练次数：9500，Loss：1.326805830001831 128.30660438537598 训练次数：9600，Loss：1.1132607460021973 129.3770444393158 训练次数：9700，Loss：1.107414960861206 130.55656147003174 训练次数：9800，Loss：0.9924419522285461 131.65843152999878 训练次数：9900，Loss：0.9918938279151917 132.75958061218262 训练次数：10000，Loss：0.9259409308433533 133.84795117378235 训练次数：10100，Loss：0.9180102944374084 整体测试集上的Loss：181.06443816423416 整体测试集上的正确率：0.6044999957084656 模型已保存 -----第 14 轮训练开始----- 136.49927639961243 训练次数：10200，Loss：0.8106740117073059 137.60312509536743 训练次数：10300，Loss：0.9383634924888611 138.7491099834442 训练次数：10400，Loss：1.1004360914230347 139.85301280021667 训练次数：10500，Loss：0.7797534465789795 140.99656891822815 训练次数：10600，Loss：0.9295462965965271 142.11146521568298 训练次数：10700，Loss：0.7535973787307739 143.27931904792786 训练次数：10800，Loss：0.8077783584594727 144.41241145133972 训练次数：10900，Loss：0.9719076752662659 整体测试集上的Loss：177.12851840257645 整体测试集上的正确率：0.6136999726295471 模型已保存 -----第 15 轮训练开始----- 147.15464234352112 训练次数：11000，Loss：1.2142902612686157 148.30661296844482 训练次数：11100，Loss：0.8816019892692566 149.50865268707275 训练次数：11200，Loss：1.0662524700164795 150.67739176750183 训练次数：11300，Loss：1.1508761644363403 151.86311507225037 训练次数：11400，Loss：0.7579834461212158 153.0713450908661 训练次数：11500，Loss：1.0883594751358032 154.2581102848053 训练次数：11600，Loss：0.9534128308296204 155.4750611782074 训练次数：11700，Loss：0.89979088306427 整体测试集上的Loss：173.94284933805466 整体测试集上的正确率：0.6227999925613403 模型已保存 -----第 16 轮训练开始----- 158.27037262916565 训练次数：11800，Loss：0.9032186269760132 159.4713671207428 训练次数：11900，Loss：0.9124546647071838 160.67075204849243 训练次数：12000，Loss：0.8445446491241455 161.83198595046997 训练次数：12100，Loss：0.955165684223175 162.96881914138794 训练次数：12200，Loss：0.9986395239830017 164.14015531539917 训练次数：12300，Loss：0.9039932489395142 165.3250858783722 训练次数：12400，Loss：0.8506217002868652 166.47599816322327 训练次数：12500，Loss：0.6279873251914978 整体测试集上的Loss：172.14941000938416 整体测试集上的正确率：0.6277999877929688 模型已保存 -----第 17 轮训练开始----- 169.21585369110107 训练次数：12600，Loss：0.7518970966339111 170.3824064731598 训练次数：12700，Loss：0.9215213656425476 171.5670850276947 训练次数：12800，Loss：0.8257154226303101
172.7262568473816 训练次数：12900，Loss：1.0514277219772339 173.88416504859924 训练次数：13000，Loss：0.989711582660675 175.0773892402649 训练次数：13100，Loss：0.6482387185096741 176.22362112998962 训练次数：13200，Loss：0.770613968372345 整体测试集上的Loss：170.60762631893158 整体测试集上的正确率：0.6316999793052673 模型已保存 -----第 18 轮训练开始----- 178.91316437721252 训练次数：13300，Loss：0.9861776232719421 180.09528851509094 训练次数：13400，Loss：0.7526777386665344 181.2844262123108 训练次数：13500，Loss：0.8348026275634766 182.45123887062073 训练次数：13600，Loss：1.4109115600585938 183.62940311431885 训练次数：13700，Loss：0.7218388915061951 184.82756924629211 训练次数：13800，Loss：0.972119927406311 186.01035046577454 训练次数：13900，Loss：0.6937052607536316 187.19038343429565 训练次数：14000，Loss：0.7990372180938721 整体测试集上的Loss：168.84090358018875 整体测试集上的正确率：0.6358000040054321 模型已保存 -----第 19 轮训练开始----- 189.9926517009735 训练次数：14100，Loss：1.0224566459655762 191.18131160736084 训练次数：14200，Loss：0.8821209073066711 192.36730790138245 训练次数：14300，Loss：0.8973230123519897 193.5643389225006 训练次数：14400，Loss：0.9536952376365662 194.80951523780823 训练次数：14500，Loss：0.8836072087287903 196.0265154838562 训练次数：14600，Loss：1.071815013885498 197.24265241622925 训练次数：14700，Loss：0.8254064321517944 198.45570874214172 训练次数：14800，Loss：1.2353284358978271 整体测试集上的Loss：168.32685685157776 整体测试集上的正确率：0.6360999941825867 模型已保存 -----第 20 轮训练开始----- 201.18919134140015 训练次数：14900，Loss：0.6770450472831726 202.36627554893494 训练次数：15000，Loss：0.8657706379890442 203.52704691886902 训练次数：15100，Loss：0.7141180634498596 204.7052822113037 训练次数：15200，Loss：0.9444342851638794 205.86877846717834 训练次数：15300，Loss：0.6069492101669312 207.05544352531433 训练次数：15400，Loss：0.8864141702651978 208.22029948234558 训练次数：15500，Loss：0.9243060946464539 209.3724765777588 训练次数：15600，Loss：0.771957516670227 整体测试集上的Loss：168.21677833795547 整体测试集上的正确率：0.6384999752044678 模型已保存 -----第 21 轮训练开始----- 212.11495280265808 训练次数：15700，Loss：0.7191241979598999 213.31386590003967 训练次数：15800，Loss：0.9433155655860901 214.48469805717468 训练次数：15900，Loss：0.9915865063667297 215.691748380661 训练次数：16000，Loss：0.8580103516578674 216.85657501220703 训练次数：16100，Loss：0.7295430302619934 218.0546896457672 训练次数：16200，Loss：0.9427600502967834 219.23864316940308 训练次数：16300，Loss：0.6932554244995117 220.4110939502716 训练次数：16400，Loss：0.6746671199798584 整体测试集上的Loss：168.7458095550537 整体测试集上的正确率：0.6385999917984009 模型已保存 -----第 22 轮训练开始----- 223.20479941368103 训练次数：16500，Loss：0.8732750415802002 224.390287399292 训练次数：16600，Loss：0.9297986626625061 225.5694763660431 训练次数：16700，Loss：0.9048570990562439 226.78037357330322 训练次数：16800，Loss：0.76099693775177 227.9262249469757 训练次数：16900，Loss：0.6679417490959167 229.11014795303345 训练次数：17000，Loss：1.181579828262329 230.29246425628662 训练次数：17100，Loss：0.6620275974273682 231.493239402771 训练次数：17200，Loss：0.664097249507904 整体测试集上的Loss：169.8609937429428 整体测试集上的正确率：0.637499988079071 模型已保存 -----第 23 轮训练开始----- 234.27106308937073 训练次数：17300，Loss：0.8724012970924377 235.45661783218384 训练次数：17400，Loss：0.9425235390663147 236.64662623405457 训练次数：17500，Loss：0.7269912958145142 237.86503314971924 训练次数：17600，Loss：0.7194119691848755 239.01475381851196 训练次数：17700，Loss：0.7852820754051208 240.1758153438568 训练次数：17800，Loss：0.7733107805252075 241.3398380279541 训练次数：17900，Loss：0.8076053261756897 整体测试集上的Loss：170.6863653063774 整体测试集上的正确率：0.6371999979019165 模型已保存 -----第 24 轮训练开始----- 244.07902574539185 训练次数：18000，Loss：0.8552568554878235 245.25485038757324 训练次数：18100，Loss：0.5549949407577515 246.44470381736755 训练次数：18200，Loss：0.8132153153419495 247.62908339500427 训练次数：18300，Loss：0.6714959144592285 248.79626488685608 训练次数：18400，Loss：0.6672235131263733 249.95225954055786 训练次数：18500，Loss：0.800999641418457 251.13182163238525 训练次数：18600，Loss：0.5262686610221863 252.3044810295105 训练次数：18700，Loss：0.7499000430107117 整体测试集上的Loss：171.33498692512512 整体测试集上的正确率：0.6376999616622925 模型已保存 -----第 25 轮训练开始----- 255.06015586853027 训练次数：18800，Loss：0.7402669191360474 256.21373891830444 训练次数：18900，Loss：0.5978196263313293 257.404180765152 训练次数：19000，Loss：0.6754338145256042 258.59692668914795 训练次数：19100，Loss：0.5589580535888672 259.7701075077057 训练次数：19200，Loss：0.531922459602356 260.9389097690582 训练次数：19300，Loss：0.7425826787948608 262.1200385093689 训练次数：19400，Loss：0.8776072859764099 263.30342960357666 训练次数：19500，Loss：0.6360160112380981 整体测试集上的Loss：171.71832472085953 整体测试集上的正确率：0.637499988079071 模型已保存 -----第 26 轮训练开始----- 266.00391364097595 训练次数：19600，Loss：0.8082662224769592 267.1639335155487 训练次数：19700，Loss：0.6162960529327393 268.3373336791992 训练次数：19800，Loss：0.876618504524231 269.5011901855469 训练次数：19900，Loss：0.9085995554924011 270.68650460243225 训练次数：20000，Loss：0.8501061797142029 271.9259281158447 训练次数：20100，Loss：0.8174670934677124 273.12516808509827 训练次数：20200，Loss：1.0724962949752808 274.32264852523804 训练次数：20300，Loss：0.6343507170677185 整体测试集上的Loss：172.47045278549194 整体测试集上的正确率：0.6394000053405762 模型已保存 -----第 27 轮训练开始----- 277.1573736667633 训练次数：20400，Loss：0.6540669798851013 278.33781147003174 训练次数：20500，Loss：0.5897015929222107 279.5300703048706 训练次数：20600，Loss：0.4914679527282715 280.6773886680603 训练次数：20700，Loss：0.7035619616508484 281.8361291885376 训练次数：20800，Loss：0.5401226878166199 282.99849557876587 训练次数：20900，Loss：0.6221712231636047 284.17470717430115 训练次数：21000，Loss：0.8537976741790771 285.3701333999634 训练次数：21100，Loss：0.7092658877372742 整体测试集上的Loss：173.46831703186035 整体测试集上的正确率：0.6399999856948853 模型已保存 -----第 28 轮训练开始----- 288.0989239215851 训练次数：21200，Loss：0.8174431324005127 289.24120450019836 训练次数：21300，Loss：0.68904709815979 290.4222309589386 训练次数：21400，Loss：0.7744821906089783 291.613312959671 训练次数：21500，Loss：0.5719355940818787 292.80280566215515 训练次数：21600，Loss：0.6388695240020752 294.0078239440918 训练次数：21700，Loss：0.8393858671188354 295.1911723613739 训练次数：21800，Loss：0.6933169364929199 整体测试集上的Loss：173.1854910850525 整体测试集上的正确率：0.6428999900817871 模型已保存 -----第 29 轮训练开始----- 297.9738895893097 训练次数：21900，Loss：0.4256139099597931 299.17603182792664 训练次数：22000，Loss：0.6538084149360657 300.3422214984894 训练次数：22100，Loss：0.8267297744750977 301.52275681495667 训练次数：22200，Loss：0.42121270298957825 302.7328658103943 训练次数：22300，Loss：0.5014783143997192 303.91381192207336 训练次数：22400，Loss：0.7099611759185791 305.09802865982056 训练次数：22500，Loss：0.8721457719802856 306.2816848754883 训练次数：22600，Loss：0.3300861120223999 整体测试集上的Loss：174.15364342927933 整体测试集上的正确率：0.6452999711036682 模型已保存 -----第 30 轮训练开始----- 309.065292596817 训练次数：22700，Loss：0.733674168586731 310.248877286911 训练次数：22800，Loss：0.6733675003051758 311.45992732048035 训练次数：22900，Loss：0.7449073791503906 312.6487421989441 训练次数：23000，Loss：0.6279532313346863 313.82962799072266 训练次数：23100，Loss：0.5574349761009216 315.03411650657654 训练次数：23200，Loss：0.6098644733428955 316.20984983444214 训练次数：23300，Loss：0.7981359362602234 317.3920772075653 训练次数：23400，Loss：0.5183050036430359 整体测试集上的Loss：174.22026354074478 整体测试集上的正确率：0.6488999724388123 模型已保存
2. 验证狗是否识别¶
① 完整的模型验证(测试，demo)套路，利用已经训练好的模型，然后给它提供输入。
In [2]:
import torchvision
from PIL import Image
from torch import nn
import torch
image_path = "imgs/dog.png"
image = Image.open(image_path) # PIL类型的Image
image = image.convert("RGB") # 4通道的RGBA转为3通道的RGB图片
print(image)
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
torchvision.transforms.ToTensor()])
image = transform(image)
print(image.shape)
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model1 = nn.Sequential(
nn.Conv2d(3,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self, x):
x = self.model1(x)
return x
model = torch.load("model/tudui_29.pth",map_location=torch.device('cpu')) # GPU上训练的东西映射到CPU上
print(model)
image = torch.reshape(image,(1,3,32,32)) # 转为四维，符合网络输入需求
model.eval()
with torch.no_grad(): # 不进行梯度计算，减少内存计算
output = model(image)
output = model(image)
print(output)
print(output.argmax(1)) # 概率最大类别的输出
<PIL.Image.Image image mode=RGB size=307x173 at 0x1A23417EDA0>
torch.Size([3, 32, 32])
Tudui(
(model1): Sequential(
(0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Flatten(start_dim=1, end_dim=-1)
(7): Linear(in_features=1024, out_features=64, bias=True)
(8): Linear(in_features=64, out_features=10, bias=True)
)
)
tensor([[ 1.3921, -5.8952, 6.7765, 2.6106, 3.3179, 6.3351, -5.1229, 3.0367,
-8.6725, -5.5459]], grad_fn=<AddmmBackward0>)
tensor([2])
3. 验证飞机是否识别¶
In [3]:
import torchvision
from PIL import Image
from torch import nn
import torch
image_path = "imgs/plane.png"
image = Image.open(image_path) # PIL类型的Image
image = image.convert("RGB") # 4通道的RGBA转为3通道的RGB图片
print(image)
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),
torchvision.transforms.ToTensor()])
image = transform(image)
print(image.shape)
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model1 = nn.Sequential(
nn.Conv2d(3,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self, x):
x = self.model1(x)
return x
model = torch.load("model/tudui_29.pth",map_location=torch.device('cpu')) # GPU上训练的东西映射到CPU上
print(model)
image = torch.reshape(image,(1,3,32,32)) # 转为四维，符合网络输入需求
model.eval()
with torch.no_grad(): # 不进行梯度计算，减少内存计算
output = model(image)
output = model(image)
print(output)
print(output.argmax(1)) # 概率最大类别的输出
<PIL.Image.Image image mode=RGB size=245x181 at 0x1A236055908>
torch.Size([3, 32, 32])
Tudui(
(model1): Sequential(
(0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(6): Flatten(start_dim=1, end_dim=-1)
(7): Linear(in_features=1024, out_features=64, bias=True)
(8): Linear(in_features=64, out_features=10, bias=True)
)
)
tensor([[ 3.9218, 1.2536, 1.1701, 0.1064, 2.2779, -4.4623, 0.0393, -4.2867,
2.3805, -2.1321]], grad_fn=<AddmmBackward0>)
tensor([0])
