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!
领取专属 10元无门槛券
私享最新 技术干货