一、训练完整使用网络模型
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from model1 import* # 此处的引用为此文在实现过程中所解决的问题
train_data = torchvision.datasets.CIFAR10(root = "../data", train=True,
transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root = "../data", train=False,
transform=torchvision.transforms.ToTensor(),download=True)
查看数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
格式化 # 格式化注意的是，之间是.的连接
print("训练数据集的长度为: {}".format(train_data_size))
print("测试数据集的长度为: {}".format(test_data_size))
利用dataloade r加载数据集#加载数据集的参数设置
train_dataloader = DataLoader (train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
创建网络模型
sun = SUN()
损失函数 交叉熵函数的使用
loss_fn = nn.CrossEntropyLoss()
优化器（SGD随机梯度下降）
learning_rate = 0.01
optimizer = torch.optim.SGD(sun.parameters(), lr = learning_rate)
设置网络训练的参数
记录训练的次数
total_train_step = 0
记录测试的次数
total_test_step = 0
训练的轮数
epoch = 10
for i in range**(epoch)**:
print("-------第{}轮训练开始--------".format(i+1))
训练网络模型,从训练的data中取数据
训练步骤开始
for data in train_dataloader:
imgs, targets = data
outputs = sun(imgs)
将得到的输出与真实的target比较，得到误差
loss =loss_fn(outputs, targets)
优化器优化模型
进行优化，首先是梯度清零
optimizer.zero_grad()
得到每个节点的梯度
loss.backward()
对其中的参数进行优化
optimizer.step()
total_test_step = total_test_step + 1
print("训练次数:{}, Loss: {}".format(total_test_step, loss.item()))
二、调用的神经网络模型
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
class SUN(nn.Module):
def __init__(self):
super(SUN, 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(1024, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x =self.model(x)
return x
if __name__ == '__main__':
sun = SUN()
input = torch.ones((64, 3, 32,32))
output = sun(input)
print(output.shape)三、调用python文件
在调用的python文件时，会出现一些问题：
python
from model1 import*使用该语句调用，但是model1会画红色波浪线报错，并且，引用的神经网络也会出现报错，原因就是，未正确引用py文件。
尝试的解决办法：使用.model1，这种办法不可取后；
使用标记目录仍未成功；
最终，神经网络的py文件与训练的该文件在同一目录下，将被引用的Py文件，放在需引用文件的上一级目录下。也就是说，被引用文件在需引用文件的上一级。
接套路一代码：
# 如何知道数据训练好了没有
# 利用现有模型进行测试
# 在测试数据集上走一遍，以测试数据集的损失，来判定模型训练好了没有
# 测试过程中不需要在对模型进行调优
# 测试步骤开始 total_test_loss = 0
with torch.no_grad(): # 将参数梯度调零
for data in test_dataloader:
imgs, targets = data
outputs = sun(imgs)
loss =loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
print("整体测试集上的Loss:{}".format(total_test_loss))
writer.add_scalar("test_loss",total_test_loss, total_train_step)
total_test_step +=1对模型的保存
torch.save(sun, "sun_{}.path".format(i))
print("模型已保存")
writer.close()在tensorboard上显示：
经过10轮的训练，测试集与训练集的损失值变化。
输出（outputs)与最终的预测(predicts)之间的转变，使用函数Argmax，就能够求出横向的最大值所在的位置。