【pytorch】神经网络的模版/套路

				
					import torchvision
import torch
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# from model import * 相当于把 model中的所有内容写到这里，这里直接把model结构写在这个py文件里了，所以不需要这行

# 定义训练的设备，是否可以用GPU
# device = torch.device("cpu")
# device = torch.device("cuda")   # 使用 GPU 方式一
# device = torch.device("cuda:0") # 使用 GPU 方式二
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

'''
第一步：加载数据集
'''

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

# 看看训练集和测试集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练数据集的长度：{}".format(train_data_size))  # format的用法是把括号内参数值填写到前面{}的位置上
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)

'''
第二步：定义网络模型
'''
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.model1 = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),  # 输入通道3，输出通道32，卷积核尺寸5×5，步长1，填充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(),  # 展平后变成 64*4*4 了
            nn.Linear(64 * 4 * 4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

# 创建网络模型
model = Net()
model = model.to(device) # 也可以不赋值，直接 model.to(device)

'''
第三步：构造loss和优化器
'''


loss_fn = nn.CrossEntropyLoss()  # 交叉熵，fn 是 fuction 的缩写
loss_fn = loss_fn.to(device) # 也可以不赋值，直接loss_fn.to(device)
learning = 1e-2  # 1e-2 就是 0.01 的意思
optimizer = torch.optim.SGD(model.parameters(), lr=learning)  # 随机梯度下降优化器

# 设置网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0


'''
第四步：训练
'''

# 训练的轮次
epoch = 10

# 添加 tensorboard可视化
writer = SummaryWriter("logs")

for i in range(epoch):
    print("-----第 {} 轮训练开始-----".format(i + 1))

    # 训练步骤开始
    # model.train()  # 当网络中有dropout层、batchnorm层时，训练前需要这行代码
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)  # 也可以不赋值，直接 imgs.to(device)
        targets = targets.to(device)  # 也可以不赋值，直接 targets.to(device)
        outputs = model(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器对模型调优
        optimizer.zero_grad()  # 梯度清零
        loss.backward()  # 反向传播，计算损失函数的梯度
        optimizer.step()  # 根据梯度，对网络的参数进行调优

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:  # 每隔100轮打印一次训练步数&loss值，并写进tensorboard里
            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（每一轮训练后都查看在测试数据集上的loss情况）
    # model.eval()  # 当网络中有dropout层、batchnorm层时，测试前需要这行代码
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():  # 测试过程不需要计算梯度，可以节省显卡算力和内存
        for data in test_dataloader:  # 测试数据集提取数据
            imgs, targets = data
            imgs = imgs.to(device)  # 也可以不赋值，直接 imgs.to(device)
            targets = targets.to(device)  # 也可以不赋值，直接 targets.to(device)
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)  # 仅data数据在网络模型上的损失
            total_test_loss = total_test_loss + loss.item()  # 所有loss
            accuracy = (outputs.argmax(1) == targets).sum()
            # outputs第0维度是标签，第1维度是为该对应标签的概率，因此argmax（1）返回的是第1维度最大值的下标，也就是预测出的类别。然后再看和真实类别比对后一共预测对了几个sum（）
            total_accuracy = total_accuracy + accuracy  # 把预测正确的数量加起来

    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))  # 除以总数，变成正确率
    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

    torch.save(model, "./model/model_{}.pth".format(i))  # 保存每一轮训练后的结果,用的是第一种保存方式
    print("模型已保存")

writer.close()  # 记得关tensorboard