完整的网络模型套路

#完整的网络模型套路

import torchvision
# from model import *
import torch
from torch.utils.data import DataLoader
from torch.nn import CrossEntropyLoss

#准备训练数据集  数据集为PIL类型，转化为tensor类型
train_data = torchvision.datasets.CIFAR10(root="E:\\notebookpytorch\\pyTorch学习\\NN\\data",train=True,transform=torchvision.transforms.ToTensor(),
                                         download=False)

#准备测试数据集
test_data = torchvision.datasets.CIFAR10(root="E:\\notebookpytorch\\pyTorch学习\\NN\\data",train=False,transform=torchvision.transforms.ToTensor(),
                                        download=False)


#看看训练数据集和测试数据集有多少张，获取数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度为:{}".format(train_data_size) )     #format()中的内容替换{}
print("测试数据集的长度为:{}".format(test_data_size) )



from torch import nn
from tensorboardX import SummaryWriter
#利用 DataLoader来加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)



#搭建神经网络，CIFAR10数据集有10个类别，所以这个网络是一个10分类的网络
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()  #把网络放在一个序列当中
        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


#创建网络模型
tudui = Tudui()

#创建损失函数
loss_fn = nn.CrossEntropyLoss()

#优化器  参数:(1：要优化的网络模型，2：学习率)
learning_rate = 0.01   #提出来方便修改 
#或者这样写 ----> 1×(10)^(-2)= 0.01
#Learing_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr = learning_rate)


#设置训练网络的一些参数

#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

#添加tensorboard
writer = SummaryWriter("../logs_train")

for i in range(epoch):
    print("-----第{}轮训练开始-----".format(i+1))
    
    #训练开始，取数据,放入网络模型中
    #tudui.train() #进入训练状态，同测试那边一样
    
    for data in train_dataloader:
        imgs,targets = data
        outputs = tudui(imgs)
        loss = loss_fn(outputs,targets)  #计算损失
        
        #优化器优化模型，梯度清零,反向传播获得梯度，进行优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        total_train_step = total_train_step + 1
        print("训练次数：{},Loss:{}".format(total_train_step,loss.item()))
        writer.add_scalar("train_loss",loss.item(),total_train_step)
    
    #测试步骤开始
    #tudui.eval()  #--->有的会加上，进入一个测试状态。只对部分特殊层有作用：Dropout层等等
    
    total_test_loss = 0
    total_accuracy = 0   #整体测试集的正确率
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets = data
            outputs = tudui(imgs)
            loss = loss_fn(outputs,targets)
            total_test_loss = total_test_loss + loss.item()
            
            accuracy = (output.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy
            
    print("整体测试集上的Loss:{}".format(total_test_loss))
    print("整体测试集上的正确率:{}".format(total_acuracy/test_test_size))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    writer.add_scalar("test_accuracy",total_accuracy/test_data_size,total_test_step)
    total_test_step = total_test_step + 1;    #不然图画不出来
    
    #保存模型
    torch.save(tudui,"tudui_{}.pth".format(i))
    print("模型已保存")
writer.close()

            

 

 

 查看最大值所在位置

#查看最大值所在的位置
import torch

outputs = torch.tensor([[0.1, 0.2],
                        [0.3, 0.4]])

print(outputs.argmax(1))#按横向比   --》tensor([1, 1])
# print(outputs.argmax(0))#按纵向比   --》tensor([0, 1])  0.3改为0.05

preds = outputs.argmax(1)
targets = torch.tensor([0, 1])
print(preds == targets)     --->tensor([False,  True])
print((preds == targets).sum())   #计算对应位置相等的个数