pytorch——神经网络框架的搭建以及网络的训练

文章目录

• 一、网络骨架的搭建（Containers）
• 二、网络模型的下载和运用到自己数据集
• 三、网络模型的保存与获取
• • 保存
  • 获取
• 四、模型训练套路
• 五、利用GPU训练
• • 方式一
  • 方式二
  • 注意
• 六、完整的模型验证
• • 注意
• 七、怎么样看别人的代码
• • 1、找到train.py
  • 2、参数的设置
  • 设置完参数，直接运行即可

一、网络骨架的搭建（Containers）

二、网络模型的下载和运用到自己数据集

weights为false时候，都是默认的参数

若为true，则为模型在它的数据集上面的训练的参数

三、网络模型的保存与获取

保存

第二种方式是以字典显示

获取

第二种，直接显示的话，则为字典显示，需要转换一下，才能显示模型。

四、模型训练套路

他人博主训练套路链接

五、利用GPU训练

加快模型训练速度，本质上是并行计算

方式一

在下面基础位置加上cuda即可。

如下:

方式二

在device括号里面设置要运行的设备；也可改为cuda（GPU上面跑）

注意

六、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

如果将训练好的网络模型，放到test上面

test.py书写;

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

image_path="E:\PythonProject\image\dog.png"
image=Image.open(image_path)
#将图片大小转为32*32以适应网络数据输入格式   并且将图片转为三通道图像
image=image.convert("RGB")
transform=torchvision.transforms.Compose([
    torchvision.transforms.Resize((32,32)),
    torchvision.transforms.ToTensor()  ])

image=transform(image)

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


#模型的加载
model=torch.load("net_5_cpu.pth",weights_only=False)
image=torch.reshape(image,(1,3,32,32))
model.eval()

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

print(output)
print(output.argmax(1))

注意

如果训练的模型为gpu训练的

则要映射到cpu下面

七、怎么样看别人的代码

1、找到train.py

看里面的结构

2、参数的设置

设置完参数，直接运行即可