使用Pytorch训练分类器详解

本文原载于微信公众号：磐创AI（ID：xunixs），欢迎关注磐创AI微信公众号及AI研习社博客专栏。

作者 | 荔枝boy

编辑 | 安可

出品 | 磐创AI技术团队

【前言】：你已经了解了如何定义神经网络，计算loss值和网络里权重的更新。现在你也许会想数据怎么样？

目录：

一．数据

二．训练一个图像分类器

1.使用torchvision加载并且归一化CIFAR10的训练和测试数据集

2.定义一个卷积神经网络

3.定义一个损失函数

4.在训练样本数据上训练网络

5.在测试样本数据上测试网络

三．在GPU上训练

四．在多个GPU上训练

五．还可以学哪些？

一、数据

通常来说，当你处理图像，文本，语音或者视频数据时，你可以使用标准python包将数据加载成numpy数组格式，然后将这个数组转换成torch.*Tensor

对于图像，可以用Pillow，OpenCV

对于语音，可以用scipy，librosa

对于文本，可以直接用Python或Cython基础数据加载模块，或者用NLTK和SpaCy

这提供了极大的便利，并且避免了编写“样板代码”。

对于本教程，我们将使用CIFAR10数据集，它包含十个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10中的图像尺寸为3*32*32，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。

图片一 cifar10

二、 训练一个图像分类器

我们将按次序的做如下几步：

1.使用torchvision加载并且归一化CIFAR10的训练和测试数据集

2. 定义一个卷积神经网络

3. 定义一个损失函数

4. 在训练样本数据上训练网络

5. 在测试样本数据上测试网络

1.加载并归一化CIFAR10

使用torchvision,用它来加载CIFAR10数据非常简单

torchvision数据集的输出是范围在[0,1]之间的PILImage，我们将他们转换成归一化范围为[-1,1]之间的张量Tensors。

输出：

让我们来展示其中的一些训练图片。

图片二

输出：

2. 定义一个卷积神经网络

在这之前先 从神经网络章节 复制神经网络，并修改它为3通道的图片(在此之前它被定义为1通道)

3. 定义一个损失函数和优化器

让我们使用分类交叉熵Cross-Entropy 作损失函数，动量SGD做优化器。

4. 训练网络

这里事情开始变得有趣，我们只需要在数据迭代器上循环传给网络和优化器输入就可以。

输出：

5. 在测试集上测试网络

我们已经通过训练数据集对网络进行了2次训练，但是我们需要检查网络是否已经学到了东西。

我们将用神经网络的输出作为预测的类标来检查网络的预测性能，用样本的真实类标来校对。如果预测是正确的，我们将样本添加到正确预测的列表里。

好的，第一步，让我们从测试集中显示一张图像来熟悉它。

图片三

输出：

现在让我们看看神经网络认为这些样本应该预测成什么：

输出是预测与十个类的近似程度，与某一个类的近似程度越高，网络就越认为图像是属于这一类别。所以让我们打印其中最相似类别类标：

输出：

结果看起开非常好，让我们看看网络在整个数据集上的表现。

输出：

这看起来比随机预测要好，随机预测的准确率为10%（随机预测出为10类中的哪一类）。看来网络学到了东西。

输出：

所以接下来呢？我们怎么在GPU上跑这些神经网络？

三、 在GPU上训练

就像你怎么把一个张量转移到GPU上一样，你要将神经网络转到GPU上。

如果CUDA可以用，让我们首先定义下我们的设备为第一个可见的cuda设备。

输出：

本节剩余部分都会假定设备就是台CUDA设备。接着这些方法会递归地遍历所有模块，并将它们的参数和缓冲器转换为CUDA张量。

记住你也必须在每一个步骤向GPU发送输入和目标：

为什么没有注意到与CPU相比巨大的加速？因为你的网络非常小。

练习：尝试增加你的网络宽度（首个nn.Conv2d参数设定为2，第二个nn.Conv2d参数设定为1--它们需要有相同的个数），看看会得到怎么的速度提升。

目标：

深度理解了PyTorch的张量和神经网络

训练了一个小的神经网络来分类图像

四、 在多个GPU上训练

如果你想要来看到大规模加速，使用你的所有GPU，请查看：数据并行性（https://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html）。

五、 接下来可以学哪些？

训练神经网络玩电子游戏（https://pytorch.org/tutorials/intermediate/reinforcement_q_learning.html）

在imagenet上训练最优ResNet网络（https://github.com/pytorch/examples/tree/master/imagenet）

使用生成网络来训练面部生成器（https://github.com/pytorch/examples/tree/master/dcgan）

使用周期性LSTM网络训练一个词级（word-level）语言模型（https://github.com/pytorch/examples/tree/master/word_language_model）

更多例子（https://github.com/pytorch/examples）

更多教程（https://github.com/pytorch/tutorials）

在论坛上讨论PyTorch（https://discuss.pytorch.org/）

在Slack上与其他用户交流（https://pytorch.slack.com/messages/beginner/）

脚本总运行时间：（9分48.748秒）

下载python源代码文件：cifar10_tutorial.py（https://pytorch.org/tutorials/_downloads/ba100c1433c3c42a16709bb6a2ed0f85/cifar10_tutorial.py）

下载Jupyternotebook文件：cifar10_tutorial.ipynb

假期也要常来【AI求职百题斩】给自己充电哦！