后台管理系统网站模板,百度关键词排名联系,开发者管理,关于做网站的前言文章目录 一、环境配置二、准备数据三、搭建网络结构四、开始训练五、查看训练结果六、总结6.1 不改变学习率的前提下#xff0c;将训练epoch分别增加到50、60、70、80、90#xff08;1#xff09;epoch 50 的训练情况如下#xff1a;#xff08;2#xff09;epoch 60 … 文章目录 一、环境配置二、准备数据三、搭建网络结构四、开始训练五、查看训练结果六、总结6.1 不改变学习率的前提下将训练epoch分别增加到50、60、70、80、901epoch 50 的训练情况如下2epoch 60 的训练情况如下3epoch 70 的训练情况如下4epoch 80 的训练情况如下5epoch 90 的训练情况如下 6.2 在epoch50、60、70、80、90的基础上修改固定学习率为动态学习率1epoch 50 的训练情况如下2epoch 60 的训练情况如下3epoch 70 的训练情况如下4epoch 80 的训练情况如下5epoch 90 的训练情况如下 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊 | 接辅导、项目定制 本文基础要求 1本地读取并加载数据。 2测试集accuracy到达93% 拔高 1测试集accuracy到达95% 2调用模型识别一张本地图片 一、环境配置
# 1. 设置环境
import sys
from datetime import datetimeimport torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasetsimport os,PIL,pathlib,randomprint(---------------------1.配置环境------------------)
print(Start time: , datetime.today())
print(Pytorch version: torch.__version__)
print(Python version: sys.version)device torch.device(cuda if torch.cuda.is_available() else cpu)
device二、准备数据
导入数据分四步 ● 第一步使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。 ● 第二步使用glob()方法获取data_dir路径下的所有文件路径并以列表形式存储在data_paths中。 ● 第三步通过split()函数对data_paths中的每个文件路径执行分割操作获得各个文件所属的类别名称并存储在classNames中 ● 第四步打印classNames列表显示每个文件所属的类别名称。 D:\jupyter notebook\DL-100-days\datasets\P3-天气识别\weather_photos\print(---------------------2.1 导入本地数据------------------)
data_dir D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/
data_dir pathlib.Path(data_dir)data_paths list(data_dir.glob(*))
classNames [str(path).split(\\)[1] for path in data_paths]
classNamesprint(---------------------2.2 数据可视化------------------)
import matplotlib.pyplot as plt
from PIL import Image# 指定图像文件夹路径
image_folder D:/jupyter notebook/DL-100-days/datasets/P3-天气识别/weather_photos/cloudy/# 获取文件夹中的所有图像文件
image_files [f for f in os.listdir(image_folder) if f.endswith((.jpg, .png, .jpeg))]# 创建Matplotlib图像
fig, axes plt.subplots(3, 8, figsize(16, 6))# 使用列表推导式加载和显示图像
for ax, img_file in zip(axes.flat, image_files):img_path os.path.join(image_folder, img_file)img Image.open(img_path)ax.imshow(img)ax.axis(off)# 显示图像
plt.tight_layout()
plt.show()print(---------------------2.3 定义train_transforms函数完成图片尺寸归一化------------------)
total_datadir D:\jupyter notebook\DL-100-days\datasets\P3-天气识别\weather_photos# 关于transforms.Compose的更多介绍可以参考https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms transforms.Compose([transforms.Resize([224, 224]), # 将输入图片resize成统一尺寸transforms.ToTensor(), # 将PIL Image或numpy.ndarray转换为tensor并归一化到[0,1]之间transforms.Normalize( # 标准化处理--转换为标准正太分布高斯分布使模型更容易收敛mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # 其中 mean[0.485,0.456,0.406]与std[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])total_data datasets.ImageFolder(total_datadir,transformtrain_transforms)
total_dataprint(---------------------2.4 划分数据集------------------)
# 使用torch.utils.data.random_split()方法进行数据集划分。
# 该方法将总体数据total_data按照指定的大小比例[train_size, test_size]随机划分为训练集和测试集并将划分结果分别赋值给train_dataset和test_dataset两个变量。
train_size int(0.8 * len(total_data))
test_size len(total_data) - train_size
train_dataset, test_dataset torch.utils.data.random_split(total_data, [train_size, test_size])
train_dataset, test_datasetprint(---------------------2.4.1 检查训练集、测试集的size------------------)
# ● train_size表示训练集大小通过将总体数据长度的80%转换为整数得到
# ● test_size表示测试集大小是总体数据长度减去训练集大小。
train_size,test_sizeprint(---------------------2.4.1 检查训练集、测试集的size------------------)
batch_size 32
# ⭐torch.utils.data.DataLoader()参数详解
train_dl torch.utils.data.DataLoader(train_dataset,batch_sizebatch_size,shuffleTrue,num_workers1)
test_dl torch.utils.data.DataLoader(test_dataset,batch_sizebatch_size,shuffleTrue,num_workers1)for X, y in test_dl:print(Shape of X [N, C, H, W]: , X.shape)print(Shape of y: , y.shape, y.dtype)break三、搭建网络结构
print(---------------------3. 定义简单CNN网络------------------)
import torch.nn.functional as Fclass Network_bn(nn.Module):def __init__(self):super(Network_bn, self).__init__()nn.Conv2d()函数第一个参数in_channels是输入的channel数量第二个参数out_channels是输出的channel数量第三个参数kernel_size是卷积核大小第四个参数stride是步长默认为1第五个参数padding是填充大小默认为0self.conv1 nn.Conv2d(in_channels3, out_channels12, kernel_size5, stride1, padding0)self.bn1 nn.BatchNorm2d(12)self.conv2 nn.Conv2d(in_channels12, out_channels12, kernel_size5, stride1, padding0)self.bn2 nn.BatchNorm2d(12)self.pool nn.MaxPool2d(2,2)self.conv4 nn.Conv2d(in_channels12, out_channels24, kernel_size5, stride1, padding0)self.bn4 nn.BatchNorm2d(24)self.conv5 nn.Conv2d(in_channels24, out_channels24, kernel_size5, stride1, padding0)self.bn5 nn.BatchNorm2d(24)self.fc1 nn.Linear(24*50*50, len(classeNames))def forward(self, x):x F.relu(self.bn1(self.conv1(x))) x F.relu(self.bn2(self.conv2(x))) x self.pool(x) x F.relu(self.bn4(self.conv4(x))) x F.relu(self.bn5(self.conv5(x))) x self.pool(x) x x.view(-1, 24*50*50)x self.fc1(x)return xdevice cuda if torch.cuda.is_available() else cpu
print(Using {} device.format(device))model Network_bn().to(device)
model四、开始训练
print(---------------------4. 训练模型------------------)
print(---------------------4.1 设置超参数------------------)
loss_fn nn.CrossEntropyLoss() # 创建损失函数
learn_rate 1e-4 # 学习率
opt torch.optim.SGD(model.parameters(),lrlearn_rate)print(---------------------4.2 编写训练函数------------------)
# 训练循环
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小一共60000张图片num_batches len(dataloader) # 批次数目187560000/32train_loss, train_acc 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签X, y X.to(device), y.to(device)# 计算预测误差pred model(X) # 网络输出loss loss_fn(pred, y) # 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad() # grad属性归零loss.backward() # 反向传播optimizer.step() # 每一步自动更新# 记录acc与losstrain_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_lossprint(---------------------4.3 编写测试函数------------------)
def test (dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小一共10000张图片num_batches len(dataloader) # 批次数目31310000/32312.5向上取整test_loss, test_acc 0, 0# 当不进行训练时停止梯度更新节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target imgs.to(device), target.to(device)# 计算losstarget_pred model(imgs)loss loss_fn(target_pred, target)test_loss loss.item()test_acc (target_pred.argmax(1) target).type(torch.float).sum().item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_lossprint(---------------------4.4 正式训练------------------)
epochs 20
train_loss []
train_acc []
test_loss []
test_acc []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%Test_loss:{:.3f})print(template.format(epoch1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print(Done)五、查看训练结果
print(---------------------5. 训练结果可视化------------------)
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings(ignore) #忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
plt.rcParams[figure.dpi] 100 #分辨率epochs_range range(epochs)plt.figure(figsize(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy)
plt.plot(epochs_range, test_acc, labelTest Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, labelTraining Loss)
plt.plot(epochs_range, test_loss, labelTest Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.show()测试准确率Test_Accuracy 89.8%。
六、总结
尝试提高test_accuracy的值。
【提高准确率方法总结】
6.1 不改变学习率的前提下将训练epoch分别增加到50、60、70、80、90
不同epoch次数得到的test_accuracy的结果如下表
epochtest_accuracyepoch 5092.4%epoch 6093.3%epoch 7092.4%epoch 8094.2%epoch 9090.2%
1epoch 50 的训练情况如下
得到训练情况如下 结论50个epoch训练完test_accuracy 92.4%。在学习率不变的情况下增加epoch次数是能够增加test_accuracy的值的。
2epoch 60 的训练情况如下 3epoch 70 的训练情况如下 4epoch 80 的训练情况如下 5epoch 90 的训练情况如下 6.2 在epoch50、60、70、80、90的基础上修改固定学习率为动态学习率
【参考这里】 使用pytorch提供的学习率在torch.optim.lr_scheduler内部基于当前epoch的数值封装了几种相应的动态学习率调整方法该部分的官方手册传送门——optim.lr_scheduler官方文档。需要注意的是学习率的调整需要应用在优化器参数更新之后也就是说 optimizer torch.optim.XXXXXXX()#具体optimizer的初始化
scheduler torch.optim.lr_scheduler.XXXXXXXXXX()#具体学习率变更策略的初始化
for i in range(epoch):for data,label in dataloader:out net(data)output_loss loss(out,label)optimizer.zero_grad()loss.backward()optimizer.step()scheduler.step() 设置动态学习率不同epoch次数的test_accuracy值如下表所示
epochtest_accuracyepoch 5092.0%epoch 6093.3%epoch 7092.4%epoch 8093.3%epoch 9087.6%
1epoch 50 的训练情况如下
训练情况如下test_accuracy最高能达到92.9%然后又降下来等50个epoch都训练完最终的test_accuracy 92.0%。
2epoch 60 的训练情况如下 3epoch 70 的训练情况如下 4epoch 80 的训练情况如下 5epoch 90 的训练情况如下
