pytorch基本的模型训练流程(GPU)

本文介绍了如何使用PyTorch库在CIFAR-10数据集上构建、训练一个简单的卷积神经网络,并使用TensorBoard进行训练过程的可视化。包括数据预处理、模型定义、损失函数和优化器的选择,以及训练和测试的详细步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time
import torch

# 定义训练的设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# device = torch.device("cpu")

train_data = torchvision.datasets.CIFAR10('./dataset', train=True, download=True,
                                          transform=torchvision.transforms.ToTensor())

test_data = torchvision.datasets.CIFAR10('./dataset', train=False, download=True,
                                         transform=torchvision.transforms.ToTensor())

train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度为:", train_data_size)
print("测试数据集的长度为:", test_data_size)

# 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)

# 创建网络模型
class TuDui(nn.Module):
    def __init__(self):
        super(TuDui, 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

tudui = TuDui()
tudui = tudui.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

# 优化器
# learning_rate = 0.01
learning_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

# 打开logs中的文件夹 tensorboard --logdir=logs --port=6007
# 添加tensorboard
writer = SummaryWriter('./logs_train')
start_time = time.time()
for i in range(epoch):
    print('----------第 {} 轮训练开始----------'.format(i + 1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)
        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step += 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            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()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)
            loss_test = loss_fn(outputs, targets)
            total_test_loss += loss_test.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            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_accuracy/test_data_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 += 1

    torch.save(tudui, 'tudui_{}.pth'.format(i))
    # torch.save(tudui.state_dict(), 'tudui_{}.pth'.format(i))
    print('模型已保存')

writer.close()

### 使用 PyTorch 进行扩散模型训练流程 #### 1. 数据准备 在开始训练之前,数据集的选择和预处理至关重要。通常情况下,扩散模型需要大量的高质量图像作为输入。对于图像数据集,常见的做法是将其转换为张量形式并进行标准化处理[^4]。 ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([ transforms.Resize((64, 64)), # 调整大小 transforms.ToTensor(), # 转换为张量 transforms.Normalize([0.5], [0.5]) # 归一化 ]) dataset = datasets.ImageFolder(root='path_to_dataset', transform=transform) dataloader = torch.utils.data.DataLoader(dataset, batch_size=64, shuffle=True) ``` #### 2. 模型定义 扩散模型的核心在于其前向过程(噪声注入)和反向过程(去噪)。可以通过 `nn.Module` 定义网络结构,并利用 U-Net 或其他架构来增强性能[^1]。 ```python import torch.nn as nn class UNet(nn.Module): def __init__(self): super(UNet, self).__init__() # 简单的卷积层示例 self.encoder = nn.Sequential( nn.Conv2d(3, 64, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) self.decoder = nn.Sequential( nn.Upsample(scale_factor=2), nn.Conv2d(64, 3, kernel_size=3, padding=1), nn.Tanh() ) def forward(self, x): encoded = self.encoder(x) decoded = self.decoder(encoded) return decoded ``` #### 3. 噪声调度器与损失函数 为了模拟扩散过程中的逐步加噪行为,可以设计一个噪声调度器。同时,均方误差 (MSE) 是常用的损失函数之一。 ```python def add_noise(image, timesteps, noise_scheduler): """ 添加噪声 """ noise = torch.randn_like(image) noisy_image = noise_scheduler.add_noise(image, noise, timesteps) return noisy_image, noise loss_fn = nn.MSELoss() noise_scheduler = DDPMScheduler(num_train_timesteps=1000) # 自定义或引入现有库 ``` #### 4. 训练循环 通过迭代更新参数完成整个训练过程。这里推荐使用 PyTorch Lightning 来简化 GPU 和 TPU 的部署工作流[^2]。 ```python import pytorch_lightning as pl class DiffusionModel(pl.LightningModule): def __init__(self, unet_model): super(DiffusionModel, self).__init__() self.unet = unet_model def training_step(self, batch, batch_idx): images, _ = batch timesteps = torch.randint(0, 999, (images.shape[0],), device=self.device).long() noisy_images, noise = add_noise(images, timesteps, noise_scheduler) predicted_noise = self.unet(noisy_images, timesteps) loss = loss_fn(predicted_noise, noise) return {'loss': loss} def configure_optimizers(self): optimizer = torch.optim.Adam(self.parameters(), lr=1e-4) return optimizer model = DiffusionModel(unet_model=UNet()) trainer = pl.Trainer(max_epochs=10, gpus=torch.cuda.device_count()) # 根据硬件调整gpus数量 trainer.fit(model, dataloader) ``` #### 5. 结果评估与优化 随着训练步数增加,模型逐渐学习到更复杂的模式。然而,在早期阶段可能会遇到欠拟合现象;而在后期,则可能出现过拟合等问题。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值