以下代码是以CIFAR10这个10分类的图片数据集训练过程的完整的代码。
训练部分
train.py主要包含以下几个部件：
- 准备训练、测试数据集
- 用DateLoader加载两个数据集，要设置好batchsize
- 创建网络模型（具体模型在model.py中）
- 设置损失函数
- 设置优化器，其中要包含优化的参数和学习率
- 初始化一些参数，如训练测试的次数、以及训练的轮数epoch
- 以训练轮数为循环进入训练
- 从训练数据中加载数据，将数据（模型的输出和目标（标签））送进损失函数中计算损失
- 梯度清零，并且反向传播损失函数，用优化器进行参数更新，并累计训练步数。
- 在保证不调优的情况下看正确率（with）
从测试集中拿数据，一样的讨论算损失，但是要算正确率- 用tensorboard可是话训练的结果
关于imgs, targets =data这句代码中的targets解释
-
imgs(Images): 这个变量通常包含一批图像数据。在计算机视觉任务中，这些图像是模型的输入，可以是任何形式的视觉数据，比如照片、视频帧、医学影像等。在训练过程中，这些图像通过神经网络进行前向传播以生成预测结果。 -
targets(Targets): 这个变量包含与imgs中每个图像对应的标签或目标。标签的具体形式取决于执行的任务：- 在分类任务中，
targets可能是类别标签，例如识别图像中的对象（猫、狗、汽车等）。 - 在对象检测任务中，
targets可能包括对象的边界框（bounding boxes）和类别。 - 在语义分割任务中，
targets可能是每个像素的类别标签。 - 在回归任务中，
targets可能是一些连续值，如在面部关键点检测中的坐标点。
- 在分类任务中，
在训练过程中targets用于损失函数（交叉熵损失、均方误差等），这是模型学习并优化其参数的基础。损失函数衡量了模型预测和真实目标之间的差异，训练目标是最小化差异。
关于optimizer.step()的解释
在机器学习中，这玩意是个关键操作，就是用来根性模型参数的。
优化器和梯度下降，常用的优化算法（SGD、Adam、RMSprop等）来调整网络参数（如权重和偏差），以最小化损失函数。这个过程被称为梯度下降。
训练过程中的步骤：
- Forward Pass:输入数据进行前向计算，生成预测。
- 计算损失函数，比较网络的预测和真实计算损失
- 反向传播：通过反向传播损失，计算每个参数梯度 loss.backward()来完成。
- 更新参数optimizer.step()被调用来更新网络的参数。根据计算出的梯度和定义的优化算法，它会调整参数以减小损失。
注意：
optimizer.step()根据优化器预定义的规则和计算出的梯度来更新模型参数。在调用它之后，会执行optimizer.zero_grad()，以便下一次迭代时从干净的状态开始。
import torch.nn
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch.utils.data import DataLoader
from torch import nn
#准备数据集
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
#测试数据集
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
#length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度：{}".format(train_data_size))
print("测试数据集的长度：{}".format(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
tudui = Tudui()
#损失函数
loss_fn = nn.CrossEntropyLoss()
#优化器
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
#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))
#训练步骤开始
#并不需要把网络设置成训练状态才能进行训练
tudui.train()
for data in train_dataloader:
imgs, targets =data
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
#梯度清零
#优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
#避免无用信息覆盖
if total_train_step % 100 == 0:
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
#也不是需要把网络设置成eval状态才能进行网络的一个测试
tudui.eval()
total_test_loss = 0
#看正确率
total_accuracy = 0
#在with里面的代码没有了梯度，保证不会进行调优
with torch.no_grad():
for data in test_dataloader:
imgs, targets =data
outputs = tudui(imgs)
#一部分数据在网络模型上的损失
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss：{}".format(total_test_loss))
print("整体测试的正确率：{}".format(total_accuracy/test_data_size))
writer.add_scalar("train_loss", loss.item(), total_test_step)
writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
#测试的步骤+1否则图画不出来
total_train_step = total_test_step + 1
torch.save(tudui, "tudui_{}.pth".format(i))
print("模型已保存")
writer.close()上面是一个训练过程，下面介绍一下训练准确率怎么得来的。
假设有一个2分类的模型
Model(2分类)
#下面是得分
Outputs = [[0.2,0.3],[0.1,0.4]]
#通过Argmax 变成
Preds = [1]
[1]
Inputs target=[0][1]
Preds==inputs target
#上面的这个式子返回的就是T or F
#加起来就是分类正确的个数了。
[false,true].sum()=1
这边注意一下output.argmax(x)的方向，x是0或是1，0的方向是竖着来的，1的方向是横着来的。
import torch outputs = torch.tensor([[0.1,0.2], [0.3，0.4]]) print(outputs.argmax(1)) preds = outputs.argmax(1) targets = torch.tensor([0，1]) print((preds == targets).sum())
-----------------------------------------------------未完待续1-------------------------------------------------------------
训练的一些细节：
如果有Dropout和BatchNorm等一些特殊层，需要
