前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Resnet 18 可跑完整pytroch代码「建议收藏」

Resnet 18 可跑完整pytroch代码「建议收藏」

作者头像
全栈程序员站长
发布2022-09-01 16:38:15
8080
发布2022-09-01 16:38:15
举报

大家好,又见面了,我是你们的朋友全栈君。

代码语言:javascript
复制
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import argparse
from resnet18 import ResNet18

# 定义是否使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 参数设置,使得我们能够手动输入命令行参数,就是让风格变得和Linux命令行差不多
#然后创建一个解析对象;然后向该对象中添加你要关注的命令行参数和选项,每一个add_argument方法对应一个你要关注的参数或选项;最后调用parse_args()方法进行解析;
parser = argparse.ArgumentParser(description='PyTorch CIFAR10 Training')
parser.add_argument('--outf', default='./model18/', help='folder to output images and model checkpoints') #输出结果保存路径
parser.add_argument('--net', default='./model18/Resnet18.pth', help="path to net (to continue training)")  #恢复训练时的模型路径
args = parser.parse_args()

# 超参数设置
EPOCH = 135   #遍历数据集次数
pre_epoch = 0  # 定义已经遍历数据集的次数
BATCH_SIZE = 128      #批处理尺寸(batch_size)
LR = 0.1        #学习率

# 准备数据集并预处理
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),  #先四周填充0,在吧图像随机裁剪成32*32
    transforms.RandomHorizontalFlip(),  #图像一半的概率翻转,一半的概率不翻转
    transforms.ToTensor(),              #维度转化 由32x32x3  ->3x32x32
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), #R,G,B每层的归一化用到的均值和方差     即参数为变换过程,而非最终结果。
])

transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=False, transform=transform_train) #训练数据集
trainloader = torch.utils.data.DataLoader(trainset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2)   #生成一个个batch进行批训练,组成batch的时候顺序打乱取

testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=False, transform=transform_test)
testloader = torch.utils.data.DataLoader(testset, batch_size=100, shuffle=False, num_workers=2)
# Cifar-10的标签
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

# 模型定义-ResNet
net = ResNet18().to(device)

# 定义损失函数和优化方式
criterion = nn.CrossEntropyLoss()  #损失函数为交叉熵,多用于多分类问题,此标准将LogSoftMax和NLLLoss集成到一个类中。
optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9, weight_decay=5e-4) #优化方式为mini-batch momentum-SGD,并采用L2正则化(权重衰减)

# 训练
if __name__ == "__main__":
    best_acc = 85  #2 初始化best test accuracy
    print("Start Training, Resnet-18!")  # 定义遍历数据集的次数
    with open("acc.txt", "w") as f:
        with open("log.txt", "w")as f2:
            for epoch in range(pre_epoch, EPOCH):  #从先前次数开始训练
                print('\nEpoch: %d' % (epoch + 1)) #输出当前次数
                net.train()                #这两个函数只要适用于Dropout与BatchNormalization的网络,会影响到训练过程中这两者的参数
                #运用net.train()时,训练时每个min - batch时都会根据情况进行上述两个参数的相应调整,所有BatchNormalization的训练和测试时的操作不同。
                sum_loss = 0.0  #损失数量
                correct = 0.0  #准确数量
                total = 0.0   #总共数量
                for i, data in enumerate(trainloader, 0):  #训练集合enumerate(sequence, [start=0])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
                    # 准备数据  i是序号 data是遍历的数据元素
                    length = len(trainloader)  #训练数量
                    #print('训练数据数量:'+length)
                    inputs, labels = data      # data的结构是:[4x3x32x32的张量,长度4的张量]
                    #print('直接赋值的张量data的inputs='+inputs+',labels='+labels)
                    #假想: inputs是当前输入的图像,label是当前图像的标签,这个data中每一个sample对应一个label
                    inputs, labels = inputs.to(device), labels.to(device)   #将数据加载到device上
                    #print('进行数据转化后的inputs='+inputs+',,labels='+labels)
                    optimizer.zero_grad()  #清空所有被优化过的Variable的梯度.

                    # forward + backward
                    outputs = net(inputs)  #得到训练后的一个输出
                    #print(outputs)
                    loss = criterion(outputs, labels)
                    #print(loss)
                    loss.backward()
                    optimizer.step()  #进行单次优化 (参数更新).

                    # 每训练1个batch打印一次loss和准确率
                    sum_loss += loss.item()
                    #print(sum_loss)
                    _, predicted = torch.max(outputs.data, 1) #返回输入张量所有元素的最大值。 将dim维设定为1,其它与输入形状保持一致。
                    #这里采用torch.max。torch.max()的第一个输入是tensor格式,所以用outputs.data而不是outputs作为输入;第二个参数1是代表dim的意思,也就是取每一行的最大值,其实就是我们常见的取概率最大的那个index;第三个参数loss也是torch.autograd.Variable格式。
                    total += labels.size(0)
                    correct += predicted.eq(labels.data).cpu().sum()
                    print('[epoch:%d, iter:%d] Loss: %.03f | Acc: %.3f%% '
                          % (epoch + 1, (i + 1 + epoch * length), sum_loss / (i + 1), 100. * correct / total))
                    f2.write('%03d  %05d |Loss: %.03f | Acc: %.3f%% '
                          % (epoch + 1, (i + 1 + epoch * length), sum_loss / (i + 1), 100. * correct / total))
                    f2.write('\n')
                    f2.flush()

                # 每训练完一个epoch测试一下准确率
                print("Waiting Test!")
                with torch.no_grad():        #没有求导
                    correct = 0
                    total = 0
                    for data in testloader:
                        net.eval()      #运用net.eval()时,由于网络已经训练完毕,参数都是固定的,因此每个min-batch的均值和方差都是不变的,因此直接运用所有batch的均值和方差。
                        images, labels = data
                        images, labels = images.to(device), labels.to(device)
                        outputs = net(images)
                        # 取得分最高的那个类 (outputs.data的索引号)
                        _, predicted = torch.max(outputs.data, 1)
                        total += labels.size(0)
                        correct += (predicted == labels).sum()
                    print('测试分类准确率为:%.3f%%' % (100 * correct / total))
                    acc = 100. * correct / total
                    # 将每次测试结果实时写入acc.txt文件中
                    print('Saving model......')
                    torch.save(net.state_dict(), '%s/net_%03d.pth' % (args.outf, epoch + 1))
                    f.write("EPOCH=%03d,Accuracy= %.3f%%" % (epoch + 1, acc))
                    f.write('\n')
                    f.flush()
                    # 记录最佳测试分类准确率并写入best_acc.txt文件中
                    if acc > best_acc:
                        f3 = open("best_acc.txt", "w")
                        f3.write("EPOCH=%d,best_acc= %.3f%%" % (epoch + 1, acc))
                        f3.close()
                        best_acc = acc
            print("Training Finished, TotalEPOCH=%d" % EPOCH)

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/141183.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年5月2,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档