本篇博客站在復現的角度,講解每一步可能遇到的問題。但並不會逐一對每句代碼進行講解,因此至少需要理解pytorch訓練神經網絡的過程(如何求梯度並更新參數)。
你可以狠狠的戳這裏,直接查看pytorch官網原項目:
我使用的環境:
- pytorch 1.4+cpu
- python 3.7‘
CIFAR10數據樣式
我們跳過一些展示圖片的過程,直入主題。
首先,要下載CIFAR10數據庫。注意:
1、torchvision數據集輸出的是PIL類,且值取值範圍是[0,1]。因此首先要將PIL轉換爲Tensor類。pytorch官網上又將其值歸一化到[-1,1],這一步跳過也可以。
推薦閱讀:
知乎:什麼時候對數據進行[0,1]歸一化,什麼時候[-1,1]歸一化,二者分別在什麼場景?
博客:爲什麼一些機器學習模型需要對數據進行歸一化?
2、要是運行出錯就把num_workers 這個選項設爲0。關於num_wokers作用:
num_workers:使用多進程加載的進程數,0代表不使用多進程
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')``
其次,我們需要定義一個網絡:
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
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)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
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()
網絡結構如下圖:
接下來我們選擇交叉熵損失函數以及帶動量的SGD優化器:
推薦閱讀:
1、一文搞懂交叉熵
2、各類優化器介紹
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
我們在訓練師選擇迭代2次,並持續輸出損失值。
for epoch in range(2): # loop over the dataset multiple times
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# get the inputs; data is a list of [inputs, labels]
inputs, labels = data
# zero the parameter gradients
optimizer.zero_grad()
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# print statistics
running_loss += loss.item()
if i % 2000 == 1999: # print every 2000 mini-batches
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
注意:
enumerate(trainloader,0) #後面這個0可加可不加,表示起始位置
我自己訓練時選擇迭代了5次,當然,也不要迭代太多次,防止過擬合。部分結果:
之後就是測試訓練結果了:
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
100 * correct / total))
注意:
with torch.no_grad() # 表明不需要計算梯度