这里将告诉您pytorch文档笔记4-训练分类器,教程操作方法:
"""
分类器：
@在神经网络一节中，输入数据都是随机数据，这里换为真实的数据进行一个简单的训练；一般数据分为图像、文本、音视频等。
对于图像，Pillow，OpenCV等软件包很有用
对于音频，请使用scipy和librosa等软件包
对于文本，基于Python或Cython的原始加载，或者NLTK和SpaCy很有用
@一般在c++中我们会使用opencv进行图像加载，至于加载的函数如loadimage或者imread都是由opencv提供的，在pytorch中也封装了类似的
包，在torchvision中。这个包基本上有最常见的数据加载器；其中最常见的数据加载器包括：
torchvision.datasets和torch.utils.data.DataLoader；
@训练图像分类器常见步骤如下：
使用以下命令加载和标准化CIFAR10训练和测试数据集torchvision
定义卷积神经网络
定义损失函数
根据训练数据训练网络
在测试数据上测试网络
"""
importtorch
#包含了目前流行的数据集，模型结构和常用的图片转换工具
importtorchvision
"""
transforms有以下几个主要功能：
Compose组合多个功能步骤为一个步骤；
CenterCrop进行中心切割
RandomCrop进行随机切割
RandomHorizontalFlip随机水平翻转
RandomSizedCrop随机剪切及重设大小
Pad填充
Normalize正规化
ToTensor转换为pytorch支持的Tensor
ToPILImage转换为PIL图像
Lambda使用lambd转换器
"""
importtorchvision.transformsastransforms#主要用于图像一些基本变换以及一些简单格式封装
"""
把一个取值范围是[0,255]的PIL.Image或者shape为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloadTensor;
给定均值：(R,G,B)方差：（R，G，B），将会把Tensor正则化。即：Normalized_image=(image-mean)/std;
方差反应数据的偏离程度，标准差主要是利于我们肉眼查看。
"""
transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])
#train为True表示训练集，为False表示测试集；download表示是否从互联网进行下载，transforms表示预处理方式，
#主要目的是将这些如PIL形式数据转成pytorch支持的；
trainset=torchvision.datasets.CIFAR10(root='./data',train=True,download=False,transform=transform)
#shuffle表示是否需要打乱数据。
trainloader=torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=0)
testset=torchvision.datasets.CIFAR10(root='./data',train=False,download=False,transform=transform)
testloader=torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False,num_workers=0)
classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
importmatplotlib.pyplotasplt
importnumpyasnp
defimshow(img):
img=img/2+0.5
npimg=img.numpy()
plt.imshow(np.transpose(npimg,(1,2,0)))#进行轴对换
plt.show()
dataiter=iter(trainloader)#执行到此步骤失败，需要将之前的num_workers改为0
images,labels=dataiter.next()#这里注意指向的是第一个元素并非下一个元素
imshow(torchvision.utils.make_grid(images))#网格显示
print(''.join('%5s'%classes[labels[j]]forjinrange(4)))
#定义卷积神经网络
importtorch.nnasnn
importtorch.nn.functionalasF
classNet(nn.Module):
def__init__(self):
super(Net,self).__init__()
self.conv1=nn.Conv2d(3,6,5)
self.pool=nn.MaxPool2d(2,2)
self.conv2=nn.Conv2d(6,16,5)
self.fc1=nn.Linear(16*5*5,120)
self.fc2=nn.Linear(120,84)
self.fc3=nn.Linear(84,10)
defforward(self,x):
x=self.pool(F.relu(self.conv1(x)))
x=self.pool(F.relu(self.conv2(x)))
x=x.view(-1,16*5*5)
x=F.relu(self.fc1(x))
x=F.relu(self.fc2(x))
x=self.fc3(x)
returnx
net=Net()
device=torch.device("cuda:0"iftorch.cuda.is_available()else"cpu")
print(device)
net.to(device)
#定义损失函数和优化器
importtorch.optimasoptim
criterion=nn.CrossEntropyLoss()
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
#训练网络
forepochinrange(2):
running_loss=0.0
fori,datainenumerate(trainloader,0):#0代表下标起始位置
#inputs,labels=data#使用CPU
inputs,labels=data[0].to(device),data[1].to(device)#使用GPU
optimizer.zero_grad()
outputs=net(inputs)
loss=criterion(outputs,labels)
loss.backward()
optimizer.step()
running_loss+=loss.item()
ifi%2000==1999:
print('[%d,%5d]loss:%.3f'%(epoch+1,i+1,running_loss/2000))
running_loss=0.0
print('trainningfinished')
#测试网络
dataiter=iter(testloader)
images,labels=dataiter.next()
imshow(torchvision.utils.make_grid(images))
print('GroundTruth:',''.join('%5s'%classes[labels[j]]forjinrange(4)))
outputs=net(images)
_,predicted=torch.max(outputs,1)#1代表返回最大元素在这一行的列索引
#整个数据集表现
correct=0
total=0
withtorch.no_grad():
fordataintestloader:
images,labels=data
outputs=net(images)
_,predicted=torch.max(outputs.data,1)
total+=labels.size(0)
correct+=(predicted==labels).sum().item()
print('正确率：%d%%'%(100*correct/total))
class_correct=list(0.foriinrange(10))
class_total=list(0.foriinrange(10))
withtorch.no_grad():
fordataintestloader:
images,labels=data
outputs=net(images)
_,predicted=torch.max(outputs,1)
c=(predicted==labels).squeeze()#压缩
foriinrange(4):
label=labels[i]
class_correct[label]+=c[i].item()
class_total[label]+=1
foriinrange(10):
print('%5s正确率：%2d%%'%(classes[i],100*class_correct[i]/class_total[i]))
pytorch文档笔记4-训练分类器就为您介绍到这里，感谢您关注懒咪学编程c.lanmit.com.
本文地址：https://c.lanmit.com/redianjishu/xunihua/16782.html