pytorch学习笔记（十二）

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 SummaryWriterfrom 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 =dataoutputs = 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 =dataoutputs = 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 + lossaccuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracyprint("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 + 1torch.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())