365天深度学习训练营 P1

Posted WHS-_-2022

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了365天深度学习训练营 P1相关的知识,希望对你有一定的参考价值。

目录

 一.前期准备

 1.准备GPU

 2.导入数据

3. 数据可视化

 二、构建CNN

三、正式训练

四、结果可视化

五、总结


>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/xLjALoOD8HPZcH563En8bQ) 中的学习记录博客**
>- **🍦 参考文章:[365天深度学习训练营-第P1周:实现mnist手写数字识别](https://mp.weixin.qq.com/s/00Z7negmsNuYSHY6nqeEWA)**
>- **🍖 原作者:[K同学啊|接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**

 一.前期准备

 1.准备GPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets

import os,PIL,pathlib

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

device

我这里一开始出现了一点小问题,torch.cuda.is_available()一直显示是FALSE。后来我Print了版本号,发现是确实CPU版本。

import torch
print(torch.cuda.is_available())
print(torch.__version__)

后来我找到了一篇文章《使用GPU进行深度学习环境的搭建》成功解决了问题
————————————————
版权声明:本文为CSDN博主「一只小小的土拨鼠」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_40379132/article/details/124869378

中间有一个插曲,我是用Pycharm搭建的。pip后下载的文件不会放到pycharm的site-packages文件夹中,所以需要自己手动赋值到里面。成功后如图所示,torch后面有cu116。

 2.导入数据

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

train_ds = torchvision.datasets.MNIST('data',
                                      train=True,
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

test_ds  = torchvision.datasets.MNIST('data',
                                      train=False,
                                      transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
                                      download=True)

batch_size = 32

train_dl = torch.utils.data.DataLoader(train_ds,
                                       batch_size=batch_size,
                                       shuffle=True)

test_dl  = torch.utils.data.DataLoader(test_ds,
                                       batch_size=batch_size)
# 取一个批次查看数据格式
# 数据的shape为:[batch_size, channel, height, weight]
# 其中batch_size为自己设定,channel,height和weight分别是图片的通道数,高度和宽度。
imgs, labels = next(iter(train_dl))
print(imgs.shape)
print(labels.shape)
'''
    iter返回的是一个迭代器,使用next函数可以从迭代器中取出具体的值。
    torch.Size([32, 1, 28, 28])
    torch.Size([32])
'''

 简略的查了一下next和iter函数,发现具体的作用就是next生成一个迭代器,next从迭代器中取出具体的值。

3. 数据可视化

第一次复现经典的MNIST数据集,可视化一下。

import numpy as np

 # 指定图片大小,图像大小为20宽、5高的绘图(单位为英寸inch)
plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
    # 维度缩减
    # imgs  Tensor(1,28,28)
    npimg = np.squeeze(imgs.numpy())
    # 将整个figure分成2行10列,绘制第i+1个子图。
    plt.subplot(2, 10, i+1)#绘制子图
    plt.imshow(npimg, cmap=plt.cm.binary)#cmap的备注 The Colormap instance or registered colormap name used to map scalar data to colors.
    plt.axis('on')
#plt.show()

plt.imshow似乎是用来画2D的图片的,所以需要squeeze(imgs.numpy()),变成二维的dnumpy类型。

#cmap的备注 The Colormap instance or registered colormap name used to map scalar data to colors. cmap是color map的简称,用来确定是画什么类型的图

 二、构建CNN

import torch.nn.functional as F

num_classes = 10  # 图片的类别数


class Model(nn.Module):
    def __init__(self):
        super().__init__()
        # 特征提取网络
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)  # 第一层卷积,卷积核大小为3*3,卷积核的数量是32
        self.pool1 = nn.MaxPool2d(2)  # 设置池化层,池化核大小为2*2
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)  # 第二层卷积,卷积核大小为3*3
        self.pool2 = nn.MaxPool2d(2)

        # 分类网络
        self.fc1 = nn.Linear(1600, 64)
        self.fc2 = nn.Linear(64, num_classes)

    # 前向传播
    def forward(self, x):
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))

        x = torch.flatten(x, start_dim=1)
        '''
        Flattens input by reshaping it into a one-dimensional tensor.
        If start_dim or end_dim are passed, only dimensions starting with start_dim and ending with end_dim are flattened.
        具体见CSDN,将索引为 start_dim 和 end_dim 之间(包括该位置)的数量相乘,其余位置不变。
        
        t = torch.tensor([[[1, 2, 2, 1],
                   [3, 4, 4, 3],
                   [1, 2, 3, 4]],
                  [[5, 6, 6, 5],
                   [7, 8, 8, 7],
                   [5, 6, 7, 8]]])
        print(t, t.shape)
 
        运行结果:
 
        
        torch.Size([2, 3, 4])
        '''
        x = F.relu(self.fc1(x))
        x = self.fc2(x)

        return x

from torchinfo import summary
# 将模型转移到GPU中(我们模型运行均在GPU中进行)
model = Model().to(device)
#Summarize the given PyTorch model
summary(model)

三、正式训练

1. model.train()

model.train()的作用是启用 Batch Normalization 和 Dropout。

如果模型中有BN层(Batch Normalization)和Dropout,需要在训练时添加model.train()model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropoutmodel.train()是随机取一部分网络连接来训练更新参数。

2. model.eval()

model.eval()的作用是不启用 Batch Normalization 和 Dropout。

如果模型中有BN层(Batch Normalization)和Dropout,在测试时添加model.eval()model.eval()是保证BN层能够用全部训练数据的均值和方差,即测试过程中要保证BN层的均值和方差不变。对于Dropoutmodel.eval()是利用到了所有网络连接,即不进行随机舍弃神经元。

训练完train样本后,生成的模型model要用来测试样本。在model(test)之前,需要加上model.eval(),否则的话,有输入数据,即使不训练,它也会改变权值。这是model中含有BN层和Dropout所带来的的性质。

BN层和Dropout层不是很理解,等以后明白了补上了再写。 

epochs     = 5
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(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')

四、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, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

图片看起来还行,但是当Test Accuracy 达到99.0%的时候,训练集的正确率会上升,但是Test集会下降,应该是过拟合了。因为篇幅受限,就不放图片了。

五、总结

最开心的一点,我成功搞定了GPU环境的配置了!!!

瞧瞧这RTX,还算赏心悦目,终于在打游戏之外跑满显卡了!开森! 

以上是关于365天深度学习训练营 P1的主要内容,如果未能解决你的问题,请参考以下文章

Pytorch实战 | 第P1周:实现mnist手写数字识别

365计划-1pytorch实现mnist手写数字识别

365天深度学习训练营 | 第8周:猫狗识别

365天深度学习训练营 | 第8周:猫狗识别

365天深度学习训练营第四周 猴痘病识别

365天深度学习 | 第7周:咖啡豆识别