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=[]

专属福利 
👉点击领取：最全Python资料合集

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()))

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()
 1
热门推荐

• 老家亲戚知道我月入2万+以后，觉得编程赚钱，让我带带...
• 免费领取！超多超好看的红包封面
• PyTorch 教程-在PyTorch中实现卷积神经网络