##训练分类器 import torch import torchvision import torchvision.transforms as transforms import torch.nn as nn import torch.nn.functional as F #1- 加载和预处理数据 transfrom = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) trainset = torchvision.datasets.CIFAR10(root='/path/to/data', train=True, download=True, transform=transform) testset = torchvision.datasets.CIFAR10(root='/path/to/data', train=False, download=True, transform=transform) trainloader = torch.utils.data.Dataloader(trainset, batch_size=4, shffule=True, num_workers=2) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck') #2- 定义卷积网络 class Net(nn.Module): def __init__(self): """ 在构造函数里，定义模块，把它们保存到self里。 """ 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) def forward(self, x): """ 在forward函数里，我们需要根据网络结构来实现前向计算。 通常我们会上定义的模块来计算。 """ 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) return x net = Net() #3- 定义损失函数 import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) #4- 用训练数据训练模型 for epoch in range(10): running_loss = 0.0 for i, data in enumerate(trainloader, 0): # 得到输入 inputs, labels = data # 梯度清零 optimizer.zero_grad() # forward + backward + optimize outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() #定义统计信息 running_loss += loss.item() if i % 2000 == 1999: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print("Finished Training") #5- 用测试数据测试模型 # imshow(torchvision.utils.make_grid(images)) # print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4))) correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) #每个类别的准确率 class_correct = list(0. for i in range(10)) class_total = list(0. for i in range(10)) with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs, 1) c = (predicted == labels).squeeze() for i in range(4): label = labels[i] class_correct[label] += c[i].item() class_total[label] += 1 for i in range(10): print('Accuracy of %5s : %2d %%' % ( classes[i], 100 * class_correct[i] / class_total[i])) #GPU训练 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") #在NN定义和每个epoch数据加载中后面增加.to(device) ################################ #和TF对比 #Tensorflow和PyTorch最大的区别之一就是Tensorflow使用静态计算图和PyTorch使用动态计算图。 #在Tensorflow里，我们首先构建计算图，然后多次执行它。 import tensorflow as tf import numpy as np # 首先构建计算图。 # N是batch大小；D_in是输入大小。 # H是隐单元个数；D_out是输出大小。 N, D_in, H, D_out = 64, 1000, 100, 10 # 输入和输出是placeholder，在用session执行graph的时候 # 我们会feed进去一个batch的训练数据。 x = tf.placeholder(tf.float32, shape=(None, D_in)) y = tf.placeholder(tf.float32, shape=(None, D_out)) # 创建变量，并且随机初始化。 # 在Tensorflow里，变量的生命周期是整个session，因此适合用它来保存模型的参数。 w1 = tf.Variable(tf.random_normal((D_in, H))) w2 = tf.Variable(tf.random_normal((H, D_out))) # Forward pass：计算模型的预测值y_pred # 注意和PyTorch不同，这里不会执行任何计算， # 而只是定义了计算，后面用session.run的时候才会真正的执行计算。 h = tf.matmul(x, w1) h_relu = tf.maximum(h, tf.zeros(1)) y_pred = tf.matmul(h_relu, w2) # 计算loss loss = tf.reduce_sum((y - y_pred) ** 2.0) # 计算梯度。 grad_w1, grad_w2 = tf.gradients(loss, [w1, w2]) # 使用梯度下降来更新参数。assign同样也只是定义更新参数的操作，不会真正的执行。 # 在Tensorflow里，更新操作是计算图的一部分； # 而在PyTorch里，因为是动态的”实时“的计算， # 所以参数的更新只是普通的Tensor计算，不属于计算图的一部分。 learning_rate = 1e-6 new_w1 = w1.assign(w1 - learning_rate * grad_w1) new_w2 = w2.assign(w2 - learning_rate * grad_w2) # 计算图构建好了之后，我们需要创建一个session来执行计算图。 with tf.Session() as sess: # 首先需要用session初始化变量 sess.run(tf.global_variables_initializer()) # 这是fake的训练数据 x_value = np.random.randn(N, D_in) y_value = np.random.randn(N, D_out) for _ in range(500): # 用session多次的执行计算图。每次feed进去不同的数据。 # 这里是模拟的，实际应该每次feed一个batch的数据。 # run的第一个参数是需要执行的计算图的节点，它依赖的节点也会自动执行， # 因此我们不需要手动执行forward的计算。 # run返回这些节点执行后的值，并且返回的是numpy array loss_value, _, _ = sess.run([loss, new_w1, new_w2], feed_dict={x: x_value, y: y_value}) print(loss_value)