标签：loss total nn CIFAR10 torch Pytorch train 识别 data

一、CIFAR10数据集介绍

CIFAR10数据集共有十个类别，分别是airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck

二、模型训练

模型代码：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.model = 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.model(x)
        return x

gpu训练代码：（使用gpu训练速度很快，几分钟就可以完成，30轮训练完成后，准确率在百分之60多）

import torchvision
from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
import torch
from torch import nn
# 定义训练的设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)

train_data = torchvision.datasets.CIFAR10("./CDataset", train=True,
                                          transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10("./CDataset", train=False,
                                         transform=torchvision.transforms.ToTensor(), download=True)
train_data_size = len(train_data)
test_data_size = len(test_data)

# 利用Dataloader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
net = Net()
net = net.to(device)
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate )

# 设置训练网络的参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练轮数
epoch = 30
for i in range(epoch):
    print("第{}轮训练开始".format(i + 1))

    # 训练步骤开始
    net.train() #可删除
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        output = net(imgs)
        loss = loss_fn(output, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数：{}，Loss：{}".format(total_train_step, loss))

    # 测试步骤开始
    net.eval() #可删除
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = net(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + 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))

torch.save(net, "./net.pth")

测试代码：

import torch
import torchvision
from PIL import Image
from torch import nn

# 测试图片的相对路径
image_path = "./image/deer.png"
image = Image.open(image_path)
# 如果是png图片需要转换为3通道的RGB图片
image = image.convert('RGB')

transform = torchvision.transforms.Compose([
    torchvision.transforms.Resize((32, 32)),
    torchvision.transforms.ToTensor()]
)
image = transform(image)


# 采用torch.save()方法保存训练好的模型，这一模型不是pytorch中的，因此需要将模型的代码粘贴在这里
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.model = 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.model(x)
        return x


# 模型是在Gpu上训练的，因此这里可以将模型加载到cpu上，也可以使用.cuda()将数据放到gpu上

model = torch.load("net.pth", map_location=torch.device('cpu'))
image = torch.reshape(image, (1, 3, 32, 32))
# image = image.cuda()

model.eval()
with torch.no_grad():
    output = model(image)

Classification = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
# 获取tensor中只有一个值的具体值
type = output.argmax(1)[0].item()
print(Classification[type])

标签：loss,total,nn,CIFAR10,torch,Pytorch,train,识别,data
来源： https://blog.csdn.net/yrhzmu/article/details/121598421

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。