标签：kernel nn 05 torch stride PyTorch train VGGNet size

使用数据集猫狗大战

import time

import torch
import torchvision
from torchvision import datasets, transforms
import os
import matplotlib.pyplot as plt
from torch.autograd import Variable
os.environ["CUDA_VISIBLE_DEVICES"] = "0"  # 使用GPU 0
data_dir = "DogsVsCats"
# 设置数据格式
data_transform = {x: transforms.Compose([transforms.Scale([64, 64]),  # scale类将原始图缩放至64*64
                    transforms.ToTensor()])
                    for x in ["train", "valid"]}
# 加载数据
image_datasets = {x: datasets.ImageFolder(root=os.path.join(data_dir, x),
                            transform=data_transform[x])
                  for x in ["train", "valid"]}

# 数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。
# 在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。
dataloader = {x: torch.utils.data.DataLoader(dataset=image_datasets[x],
                                batch_size=16,
                                shuffle=True)
                                for x in ["train", "valid"]}

# 获取一个批次的装载数据  x_example（16,3,64,64） y_example 进行了独热编码，里面全为0和1
x_example, y_example = next(iter(dataloader["train"]))

# index_classes的 输出结果为{'cat':0,'dog',1}
index_classes = image_datasets["train"].class_to_idx

#将原始标签的结果存在example_clasees中 {'cat','dog'}
example_clasees = image_datasets["train"].classes

# 做成网格数据
img = torchvision.utils.make_grid(x_example)
img = img.numpy().transpose([1, 2, 0])  # 转换维度
# print([example_clasees[i] for i in y_example])
# plt.imshow(img)
# plt.show()

# VGGNet模型
class Models(torch.nn.Module):
    def __init__(self):
        super(Models,self).__init__()
        self.Conv = torch.nn.Sequential(
            torch.nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(kernel_size=2, stride=2),

            torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(128, 128, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(kernel_size=2, stride=2),

            torch.nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(kernel_size=2, stride=2),

            torch.nn.Conv2d(256, 512, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(kernel_size=2, stride=2),
        )

        self.Classes = torch.nn.Sequential(
            torch.nn.Linear(4*4*512, 1024),
            torch.nn.ReLU(),
            torch.nn.Dropout(p=0.5),
            torch.nn.Linear(1024, 1024),
            torch.nn.Dropout(p=0.5),
            torch.nn.Linear(1024, 2)
        )

    def forward(self, input):
        x = self.Conv(input)
        x = x.view(-1, 4*4*512)
        x = self.Classes(x)
        return x


model = Models()
# print(model)

loss_f = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(),lr=0.00001)
Use_gpu = torch.cuda.is_available()  # 判断是否存在cuda
if Use_gpu:
    model = model.cuda()  # ***********************************************************
epoch_n = 10
time_open = time.time()

for epoch in range(epoch_n):
    print("Epoch{}/{}".format(epoch,epoch_n-1))
    print("-"*10)

    for phase in ["train", "valid"]:
        if phase == "train":
            print("Training...")
            model.train(True)
        else:
            print("Validing...")
            model.train(False)

        running_loss = 0.0
        running_corrects = 0
        for batch, data in enumerate(dataloader[phase], 1):  # enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，
            X, y = data
            if Use_gpu:
                X, y =Variable(X.cuda()),Variable(y.cuda())  # **************************************
            else:
                X, y = Variable(X), Variable(y)
            y_pred = model(X)  # 得到预测值
            _,pred =torch.max(y_pred,1)
            optimizer.zero_grad()  # 清空梯度
            loss = loss_f(y_pred, y)  # 定义损失函数

            if phase == "train":
                loss.backward()  # 如果是训练，进行反向传播
                optimizer.step()  # 更新各节点的梯度
            running_loss += loss.item()
            running_corrects += torch.sum(pred == y.data)

            if batch%500 == 0 and phase == "train":
                print("Batch{},TrainLoss:{:.4f},Train ACC:{:.4f}".format(
                    batch,running_loss/batch, 100*running_corrects/(16*batch)))
        epocn_loss = running_loss*16/len(image_datasets[phase])
        epoch_acc = 100*running_corrects/len(image_datasets[phase])
        print("{} Loss:{:.4f} Acc:{:4f}%".format(phase, epocn_loss, epoch_acc))
time_end = time.time()-time_open
print(time_end)

标签：kernel,nn,05,torch,stride,PyTorch,train,VGGNet,size
来源： https://www.cnblogs.com/zuhaoran/p/11502551.html

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。