其他
PyTorch 教程-卷积神经网络模型的训练
在上一个主题中，我们实现了我们的CNN模型。现在，我们的下一个任务是对其进行训练。为了训练我们的CNN模型，我们将使用CUDA张量类型，它将执行与CPU张量相同的功能，但用于计算。
训练我们的CNN模型的步骤如下：
步骤1：
device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu") 步骤2：
model=LeNet.to(device) 步骤3：
criteron=nn.CrossEntropyLoss() optimizer=torch.optim.Adam(model.parameters(),lr=0.00001) 步骤4：
epoch=12 loss_history=[] correct_history=[] 步骤5：
for e in range(epochs): for input, labels in training_loader: 步骤6：
我们正在处理卷积神经网络，其中输入首先被传递。我们将图像传递给四个维度，因此无需将其展平。
input=input.to(device) labels=labels.to(device) outputs=model(inputs) 步骤7：
loss1=criteron(outputs,labels) optimizer.zero_grad() loss1.backward() optimizer.step() 步骤8：
loss+=loss1.item() epoch_loss=loss/len(training_loader) loss_history.append(epoch_loss) 步骤9：
在接下来的步骤中，我们将找到网络的准确性。我们将初始化correct变量并将其值设为零。我们将比较模型对每个训练图像进行的预测与图像的实际标签，以显示在一个epoch内有多少个图像被正确分类。
_,preds=torch.max(outputs,1) 步骤10：
correct+=torch.sum(preds==labels.data) epoch_acc=correct.float()/len(training_loader) print('training_loss:{:.4f},{:.4f}'.format(epoch_loss,epoch_acc.item())) 这将给出如下预期结果：
步骤11：
plt.plot(loss_history,label='Running Loss History') plt.plot(correct_history,label='Running correct History') 完整代码：
import torch import matplotlib.pyplot as plt import numpy as np import torch.nn.functional as func import PIL.ImageOps from torch import nn from torchvision import datasets,transforms device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu") transform1=transforms.Compose([transforms.Resize((28,28)),transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))]) training_dataset=datasets.MNIST(root='./data',train=True,download=True,transform=transform1) training_loader=torch.utils.data.DataLoader(dataset=training_dataset,batch_size=100,shuffle=True) class LeNet(nn.Module): def __init__(self): super().__init__() self.conv1=nn.Conv2d(1,20,5,1) self.conv2=nn.Conv2d(20,50,5,1) self.fully1=nn.Linear(4*4*50,500) self.fully2=nn.Linear(500,10) def forward(self,x): x=func.relu(self.conv1(x)) x=func.max_pool2d(x,2,2) x=func.relu(self.conv2(x)) x=func.max_pool2d(x,2,2) x=x.view(-1,4*4*50) #Reshaping the output into desired shape x=func.relu(self.fully1(x)) #Applying relu activation function to our first fully connected layer x=self.fully2(x) #We will not apply activation function here because we are dealing with multiclass dataset return x model=LeNet().to(device) criteron=nn.CrossEntropyLoss() optimizer=torch.optim.Adam(model.parameters(),lr=0.00001) epochs=12 loss_history=[] correct_history=[] for e in range(epochs): loss=0.0 correct=0.0 for e in range(epochs): loss=0.0 correct=0.0 for inputs,labels in training_loader: inputs=inputs.to(device) labels=labels.to(device) outputs=model(inputs) loss1=criteron(outputs,labels) optimizer.zero_grad() loss1.backward() optimizer.step() _,preds=torch.max(outputs,1) loss+=loss1.item() correct+=torch.sum(preds==labels.data) else: epoch_loss=loss/len(training_loader) epoch_acc=correct.float()/len(training_loader) loss_history.append(epoch_loss) correct_history.append(epoch_acc) print('training_loss:{:.4f},{:.4f}'.format(epoch_loss,epoch_acc.item())) plt.plot(loss_history,label='Running Loss History') plt.plot(correct_history,label='Running correct History') plt.show()