由于工作原因,需要使用到深度学习pytorch框架,所以,跟随视频学习了深度学习框架的使用方法,视频链接如下:
PyTorch深度学习快速入门教程(绝对通俗易懂!)【小土堆】_哔哩哔哩_bilibili
1、安装pytorch
在windows下使用pytorch,首先找到anaconda官网,安装64位windows版本,然后使用清华的源替换掉anaconda默认源,详细教程如下(2条消息) 【2022】保姆级Anaconda安装与换国内源教程_anaconda换源_NoBug2022的博客-CSDN博客
打开anaconda prompt
conda create -n your_env_name python=x.x
命令创建环境,可以使用
conda env list
查看当前已有的环境,来判断环境是否创建成功
打开Start Locally | PyTorch,选择自己需要的pytorch版本,将Run this Command命令复制到自己控制台,然后就可以等待pytorch自己安装成功啦
安装完成后,在控制台输入
python
import torch
print(torch.__version__)
输出版本后,就表明安装成功啦,当然,如果是GPU版本,还可以输入
print (torch.cuda.is_available())
显示TRUE就表示显卡加速也开启了,就可以开启我们的深度学习之路了。
ps:python中的两个方便的函数
dir() 显示包中的方法
help() 显示方法的具体帮助信息
2、数据加载
如图所示,数据在变成Dataset的过程就是将杂乱的数据刨除和整理数据的过程,并且统计了数据的大小,而Dataset到Dataloader则是将整理过的数据按照设定大小进行打包的过程,最终Dataloader为深度学习直接提供需要的数据。
使用的示例代码如下:
from torch.utils.data import Datasetfrom PIL import Imageimport osclass myData(Dataset): def __init__(self, strRootDir, strLabelDir): self.mstrRootDir = strRootDir self.mstrLabelDir = strLabelDir self.mstrPath = os.path.join(strRootDir, strLabelDir) self.mstrImagePath = os.listdir(self.mstrPath) def __getitem__(self, item): strImageName = self.mstrImagePath[item] strImageItemPath = os.path.join(self.mstrPath, strImageName) zImage = Image.open(strImageItemPath) strLabel = self.mstrLabelDir return zImage, strLabel def __len__(self): return len(self.mstrImagePath)strRootDir = "dateset/train"strLabelAnts = "ants"strLabelBees = "bees"zAntsData = myData(strRootDir, strLabelAnts)zBeesData = myData(strRootDir, strLabelBees)zTrainData = zAntsData + zBeesDataprint(len(zAntsData), len(zBeesData), len(zTrainData))
3、深度学习训练工具
由于深学习过程太过抽象,无法直观的查看模型学习的程度,所以使用Tensorbard工具来查看,在控制台输入
pip3 -install tensorbard
下载该工具,使用其中的SummaryWriter类的add_scalar和add_image方法就可以将数据进行图表展示以及图片的展示
示例程序如下:
from torch.utils.tensorboard import SummaryWriterimport numpyfrom PIL import Imagewirter = SummaryWriter("logs")PILImagePath = "dateset/train/ants/0013035.jpg"PILImage = Image.open(PILImagePath)ImageArray = numpy.array(PILImage)wirter.add_image("ants", ImageArray, 1, dataformats='HWC')for i in range(100): wirter.add_scalar("y = 2x", 2 * i, i)wirter.close()
在控制台输入
tensorboard --logdir=你的日志文件位置
就可以查看到如下的图表
4、图形变换
图形变换主要使用torchvision包中的Transforms包内的方法,有Resize、ToTensor等方法,可以使用Compose方法将所以操作合并为一个命令,要求方法间输入与下一个方法的输出一一对应。
5、数据集
在torchvision包中的dataset包提供了一些内置的数据集可以使用,将download设置为True将在程序运行时自动下载。
6、神经网络的结构
1、模型本体,需要创建一个nn.Module的子类作为深度学习模型的本体,需要自己根据模型结构实现自己的__init__方法和forward方法
class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.model = nn.Sequential( # 卷积层1 nn.Conv2d(3, 32, 5, 1, 2, ), # 池化层1 nn.MaxPool2d(2), # 卷积层2 nn.Conv2d(32, 32, 5, 1, 2), # 池化层2 nn.MaxPool2d(2), # 卷积层3 nn.Conv2d(32, 64, 5, 1, 2), # 池化层3 nn.MaxPool2d(2), # 展平层 nn.Flatten(), # 全连接层1 nn.Linear(64 * 4 * 4, 64), # 全连接层2 nn.Linear(64, 10) ) def forward(self, x): """ 神经元向前传播函数 :param x: 输入的参数 :return: 输出的参数 """ x = self.model(x) return x
一般将这个类写入单独的py文件方便之后操作,并且一般在文件末尾提供模型的自检方法
# 神经网络模型测试if __name__ == '__main__': funModel = MyModel() myInPut = torch.ones(64, 3, 32, 32) myOutPut = funModel(myInPut) print(myOutPut.shape)
2、卷积层
卷积层负责卷积操作,一般调用nn.conv2d方法
3、池化层
池化层的作用是在尽量保证特征的同时减少数据量,一般卷积层后就会跟随一个池化层,调用nn.MaxPool2d方法
4、非线性激活层
非线性激活主要是为了引入非线性特征,一般使用的有nn.ReLU方法和Sigmoid方法
5、正则化层
正则化层主要目的是加快训练速度,一般使用nn.BatchNorm2d方法
6、线性层
线性层也叫全连接层,主要是对数据进行线性组合,一般使用Linear方法,在线性层之前可以调用nn.Flatten方法对数据进行展平
7、可以使用nn.Sequential方法将网络各层方法合并为一个命令,需要保证输出与下一个输入的数据对应
8、损失函数和反向传播
损失函数可以产生一个loss数,用来判断模型特征与实际数据之间的差异,并且对神经网络的反向传播提供依据,一般使用nn.L1Loss方法或nn.MSELoss方法,计算出的loss值越小,越接近真实。
9、优化器
优化器内置了许多成熟的神经网络优化算法,一般使用SGD方法,需要提供一个学习速率,优化前需要将之前优化器的偏移进行清空,使用zero_grad方法,然后将网络进行反向传播填充偏移,随后调用step方法进行神经网络优化
10、学习速率调整函数
为了得到更好的模型,往往随着训练次数增大,需要调整学习的速率,lr_scheduler包提供了调整学习速率的函数方法,使用step方法就可以进行速率调整,注意,这个step需要在优化器至少在之前执行了一次step
11、GPU训练模型
可以使用GPU进行训练加速的地方有数据,损失函数和模型。具体方法有两种:
11.1、使用cuda方法将需要加速的地方放入gpu
11.2、使用to(device)方法将需要加速的地方放入gpu,如果需要写cpu和gpu平台通用的函数,可以把device设备这样写:
zDevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")
7、训练模型常用套路
训练模型基本套路为:
1、设置设备
2、加载数据集
3、添加日志记录者
4、计算数据集长度
5、利用dataloader加载数据集
6、创建网络模型
7、创建损失函数
8、设置优化器
9、设置学习衰减函数
10、设置训练网络的一些参数
11、循环开始训练和测试
12、保存每一次训练的模型
13、记录者关闭
#!/usr/bin/env pytorch# -*- coding: UTF-8 -*-"""@Project :llearn_pytorch@File :model.py@IDE :PyCharm@Author :张世航@Date :2023/2/24 11:30@Description :一个深度学习演示样例"""import torchvision.datasetsfrom torch.optim import lr_scheduler, SGDfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriterfrom model import *import time# 设置设备zDevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 加载数据集zTrainData = torchvision.datasets.CIFAR10("TrainData", train=True, transform=torchvision.transforms.ToTensor(), download=True)zTestData = torchvision.datasets.CIFAR10("TestData", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 添加记录者writer = SummaryWriter("logs")# 计算数据集长度iTrainDataLength = len(zTrainData)iTestDataLength = len(zTestData)print("the length of train data :{}".format(iTrainDataLength))print("the length of test data:{}".format(iTestDataLength))# 利用dataloader加载数据集zTraindataLoader = DataLoader(zTrainData, batch_size=64)zTestDataLoader = DataLoader(zTestData, batch_size=64)# 创建网络模型myModel = MyModel()myModel = myModel.to(zDevice)# 创建损失函数myLossFunction = nn.CrossEntropyLoss()myLossFunction = myLossFunction.to(zDevice)# 优化器dLearnRate = 1e-2myOptimizer = SGD(myModel.parameters(), lr=dLearnRate)# 设置学习率衰减函数MyScheduler = lr_scheduler.StepLR(myOptimizer, 50, gamma=0.5)# 设置训练网络的一些参数# 训练的总次数iTotalTrainStep = 0# 测试的总次数iTotalTestStep = 0# 训练的轮数iEpoch = 300# 记录开始时间fStartTime = time.time()for i in range(iEpoch): print("----第{}训练开始!!!----".format(i)) myModel.train() for data in zTraindataLoader: images, targets = data images = images.to(zDevice) targets = targets.to(zDevice) outputs = myModel(images) loss = myLossFunction(outputs, targets) # 优化器优化模型 myOptimizer.zero_grad() loss.backward() myOptimizer.step() iTotalTrainStep = iTotalTrainStep + 1 if iTotalTrainStep % 100 == 0: fEndTime = time.time() print("第{}次模型训练loss是{}".format(iTotalTrainStep, loss.item())) writer.add_scalar("train_loss", loss.item(), iTotalTrainStep) print("训练耗时{}".format(fEndTime - fStartTime)) MyScheduler.step() print("----调整学习率为{}----".format(myOptimizer.state_dict()['param_groups'][0]['lr'])) writer.add_scalar("train_lr", myOptimizer.state_dict()['param_groups'][0]['lr'], i) myModel.eval() iTotalLoss = 0 iTotalAccuracy = 0 print("----第{}测试开始!!!----".format(i)) with torch.no_grad(): for data in zTestDataLoader: images, targets = data images = images.to(zDevice) targets = targets.to(zDevice) outputs = myModel(images) loss = myLossFunction(outputs, targets) iTotalLoss = iTotalLoss + loss.item() accuracy = (outputs.argmax(1) == targets).sum() iTotalAccuracy = accuracy + iTotalAccuracy print("第{}次模型测试loss是{}".format(i, iTotalLoss)) print("第{}次模型测试正确率是{}".format(i, iTotalAccuracy / iTestDataLength)) writer.add_scalar("test_loss", iTotalLoss, iTotalTestStep) writer.add_scalar("test_accuracy", iTotalAccuracy / iTestDataLength, iTotalTestStep) iTotalTestStep = iTotalTestStep + 1 # 保存每一次训练的模型 torch.save(myModel.state_dict(), "model/model_{}.path".format(i)) print("----模型已经保存!!!----")writer.close()
8、模型保存和读取方法
有两种方法保存和读取训练好的模型
1、使用torch.save和torch.load保存和读取整个模型
2、使用torch.save(model.state_dict(),”xxx“)和model.load_state_dict(torch.load(“xxx”))来保存和加载模型中的数据(官方推荐)
9、使用模型的套路
1、加载模型
2、加载数据
3、获取模型输出结果
#!/usr/bin/env pytorch# -*- coding: UTF-8 -*-"""@Project :llearn_pytorch @File :testmodel.py@IDE :PyCharm @Author :张世航@Date :2023/2/27 8:48 @Description :一个简易的验证训练好的模型的程序"""import osimport torchfrom PIL import Imagefrom torchvision import transformsfrom model import MyModelclass myImage: def __init__(self, strRootDir): self.mstrRootDir = strRootDir self.mstrImagePath = os.listdir(self.mstrRootDir) def __getitem__(self, item): strImageName = self.mstrImagePath[item] strImageItemPath = os.path.join(self.mstrRootDir, strImageName) zImage = Image.open(strImageItemPath) strLabel = strImageName return zImage, strLabel def __len__(self): return len(self.mstrImagePath)funTransform = transforms.Compose([ transforms.Resize((32, 32)), transforms.ToTensor()])model = MyModel()model.load_state_dict(torch.load("model/model_37.path"))model.eval()strTestDir = "testimage"zData = myImage(strTestDir)image_type = ("airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse", "ship", "truck", "nolen")with torch.no_grad(): for data in zData: image, label = data image = image.convert('RGB') image = funTransform(image) image = torch.reshape(image, (1, 3, 32, 32)) output = model(image) iResult = output.argmax(1) print("图片类型|模型识别出类型:{}|{}".format(label, image_type[iResult]))
完整的代码地址深度学习练习: 在学习深度学习时候的一些代码 编译环境为python10+pytorch1.13.1+ancoda (gitee.com)
希望可以对大家学习有一定的帮助,互勉。