lenet pytorch 官方demo学习笔记

文章目录

model
predict
train

教程连接
数据集 cifa10

batch 一批数据集的个数
channel 深度，灰度图为1，rgb为3
height，width 宽高，32

在pytorch官网查文档

model

#///导包时用的是torch
import torch.nn as nn
import torch.nn.functional as F#///流程：建一个类，这个类要继承nn.Model这个父类，这个类中要实现两个方法，一个是初始化函数（实现在网络中要使用的网络层结构），另一个是forward函数中定义正向传播的过程，当我们实例化这个类之后，将参数传递到这个实例中，就会按照forward的顺序进行正向传播过程
class LeNet(nn.Module):def __init__(self)://初始化函数super(LeNet, self).__init__()//继承，解决多继承，调用基类的构造函数self.conv1 = nn.Conv2d(3, 16, 5)#//第一个卷积层（按住alt+鼠标左键查看函数定义：“采用2D卷积对输入进行处理Applies a 2D //convolution over an input signal composed of several input planes.”）参数：#     self,#     in_channels: int,  输入特征矩阵的输入（RGB为3）#     out_channels: int,（卷积核的个数=输出为深度维的特征矩阵）#     kernel_size: _size_2_t,（卷积核的大小）#     stride: _size_2_t = 1,（步距）#     padding: _size_2_t = 0,（补齐）#     dilation: _size_2_t = 1,（暂时用不到）#     groups: int = 1,（暂时用不到）#     bias: bool = True,（偏置）#     padding_mode: str = 'zeros'  # TODO: refine this type# ):self.pool1 = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(16, 32, 5)self.pool2 = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(32*5*5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)#//10是因为10分类任务，主观修改的def forward(self, x):#x代表输入的输入，形式是[batch,channel,height,width]x = F.relu(self.conv1(x))    # input(3, 32, 32) output(16, 28, 28)x = self.pool1(x)            # output(16, 14, 14)x = F.relu(self.conv2(x))    # output(32, 10, 10)x = self.pool2(x)            # output(32, 5, 5)#与全连接层进行拼接，需要展开成为一维向量x = x.view(-1, 32*5*5)       # output(32*5*5)#-1代表第一个维度是自动推理的，（batch）x = F.relu(self.fc1(x))      # output(120)x = F.relu(self.fc2(x))      # output(84)x = self.fc3(x)              # output(10)return x#测试
# import torch
#input1=torch.rand([32,3,32,32])
#model=LeNet() #实例化模型
#print（model）
#output=莫得了（input1）   #输入

predict

#调用模型权重进行预测

import torch
import torchvision.transforms as transforms
from PIL import Image
from model import LeNettransform = transforms.Compose([transforms.Resize((32, 32)),#缩放transforms.ToTensor(),#转化成tensortransforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])#标准化classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')net = LeNet()
net.load_state_dict(torch.load('Lenet.pth'))#载入权重文件im = Image.open('1.jpg')#用Image模块载入图像
im = transform(im)  # [C, H, W]#图像的shape一般都是【】，就要转化成pytorch tensor的格式
im = torch.unsqueeze(im, dim=0)  # [N, C, H, W]#最前面增加一个batch的新维度with torch.no_grad():outputs = net(im)predict = torch.max(outputs, dim=1)[1].data.numpy()
print(classes[int(predict)])

train

import torch
import torchvision
import torch.nn as nn
from model import LeNet
import torch.optim as optim
import torchvision.transforms as transforms
# 导包transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])#Compose将一些预处理的方法打包到一起1.toTensor，把PIL或numoy改成tensor2.Normalize是标准化，使用均值与标准差来标准化tensor# 50000张训练图片
train_set = torchvision.datasets.CIFAR10(root='./data', train=True,download=False, transform=transform)#DOWNLOAD改成ture就下载，root表示数据集下载到什么地方，train维ture就会导入训练集的样本，transform就是预处理的函数，在上面train_loader = torch.utils.data.DataLoader(train_set, batch_size=36,shuffle=False, num_workers=0)#把数据集导入进来并分成一批一批的，shuffle代表是否随机挑出来，num——workers代表线程数，windows下只能为0# 10000张验证图片，与上面相同方法
val_set = torchvision.datasets.CIFAR10(root='./data', train=False,download=False, transform=transform)
val_loader = torch.utils.data.DataLoader(val_set, batch_size=5000,shuffle=False, num_workers=0)
val_data_iter = iter(val_loader)   #将val_loader转化为迭代器，之后通过next的方法就能获取一批数据，就包括测试的图像与图像对应的标签值
val_image, val_label = val_data_iter.next()# classes = ('plane', 'car', 'bird', 'cat',
#            'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
#将10个标签导入，是元组类型，值不能改index0就对应表签飞机
#用官方的imshow可以看图片（numpy与matplotlib包）29：23
net = LeNet()#实例化模型
loss_function = nn.CrossEntropyLoss()#定义损失函数（有softmax）
optimizer = optim.Adam(net.parameters(), lr=0.001)#优化器用的adam，传入的是要训练的参数，lr是学习率for epoch in range(5):  # loop over the dataset multiple times
#要将训练集训练多少轮running_loss = 0.0#用来累加训练中的损失for step, data in enumerate(train_loader, start=0):#遍历训练集样本，enumrate不仅返回每一批的数据data，还返回这一批data对应的步数，start=0从0开始# get the inputs; data is a list of [inputs, labels]inputs, labels = data#分成图像与标签# zero the parameter gradientsoptimizer.zero_grad()#将历史损失梯度清零，不清零可能对计算的历史梯度进行累加（多次进行小batch的训练）# forward + backward + optimizeoutputs = net(inputs)#输入网络得到输出loss = loss_function(outputs, labels)#根据之前定义的损失函数、输出、真实标签求得损失loss.backward()#反向穿播optimizer.step()#参数更新# print statisticsrunning_loss += loss.item()#将loss累加if step % 500 == 499:    # print every 500 mini-batcheswith torch.no_grad():#在接下来的计算过程中不要去计算每个节点的误差损失梯度，不用的话，测试过程中也会计算1.会占用更多算力2.占用更多内存资源outputs = net(val_image)  # [batch, 10]predict_y = torch.max(outputs, dim=1)[1]#寻找输出的最大index在什么位置：网络预测最可能是哪一类，dim是第几个维度，【1】是只需要知道是哪一类就行了accuracy = (predict_y == val_label).sum().item() / val_label.size(0)#//与类别进行比较（是个tensor（数值），sum求和是个数值），正确率print('[%d, %5d] train_loss: %.3f  test_accuracy: %.3f' %(epoch + 1, step + 1, running_loss / 500, accuracy))#epoch代表迭代到多少轮，step，某一轮到多少步，平均训练误差，准确率running_loss = 0.0#清零并进行下一轮print('Finished Training')save_path = './Lenet.pth'#模型进行保存
torch.save(net.state_dict(), save_path)#保存的是参数

lenet pytorch 官方demo学习笔记相关推荐

Dynamic Quantization PyTorch官方教程学习笔记
诸神缄默不语-个人CSDN博文目录本文是PyTorch的教程Dynamic Quantization - PyTorch Tutorials 1.11.0+cu102 documentation的学 ...
RPG游戏Demo学习笔记一
导航 RPG游戏Demo学习笔记一 UE笔记 -- 一个简单的AI_weixin_52918492的博客-CSDN博客目录一.准备资源二.基础功能生命值与能量值创建Widget Bluepr ...
【从零开始的大数据学习】Flink官方教程学习笔记（一）
Flink官方教程学习笔记学习资源基础Scala语法 Scala数据结构专题声明变量代码块函数(function) 方法(methods) Traits (接口) class(类) tupl ...
CORE-ESP32C3|eink|日期格式化|IO11解锁|墨水屏操作库|SNTP自动同步|局部刷新|全局刷新|LuatOS-SOC接口|官方demo|学习（12）：简单日期显示
目录基础资料探讨重点参考博文: 实现功能硬件准备软件版本日志及soc下载工具软件使用接线示意图 IO11解锁教程可参考: 功能1:基于墨水屏的日期显示: 初始化: 日期显示: 功能2: ...
CORE-ESP32C3|eink|墨水屏日历|天气API|LuatOS公共接口|气象要素数据V1|collectgarbage|LuatOS-SOC接口|官方demo|学习（13）：墨水屏动态日历
目录参考博文项目官方地址显示效果: 硬件准备软件版本日志及soc下载工具软件使用接线示意图硬件接线一.Elink驱动管脚适配二.天气信息获取 API使用方式: 接口格式(注意需不需 ...
合宙Air105|摄像头|capture|SPI|Serial 串口|TFTLCD|Micro SD卡|GC032A|USB转TTL|官方demo|学习（2-1）：摄像头camera-capture
目录基础资料探讨重点实现功能硬件准备软件版本软件使用接线示意图功能1:捕捉图片并存入SPI接口外置SD卡 lcd初始化摄像头初始化指定capture按钮 SD卡初始化图片存储功 ...
CORE-ESP32C3|eink|墨水屏日历+时间日期+温度显示|I2C软件模拟| LuatOS-SOC接口|官方demo|学习(14)：墨水屏动态日历+oled日期显示+ AHT10测温模组
目录参考博文源于网友oled+eink+aht10项目源代码修改及复现说明主要修改显示效果编辑硬件准备软件版本日志及soc下载工具软件使用接线说明天气显示屏硬件接线温度采集 ...
学习Pytorch官方Demo——Lenet，以及遇到的问题
文章目录 1.官方Demo的项目目录 2.模型 3.训练 4.预测 5.遇到的问题 1.官方Demo的项目目录 2.模型代码: import torch.nn as nn import torch. ...
pytorch官方demo实现图像分类(LeNet)
深度学习学习笔记导师博客:https://blog.csdn.net/qq_37541097/article/details/103482003 导师github:https://github.co ...

lenet pytorch 官方demo学习笔记

文章目录

model

predict

train

lenet pytorch 官方demo学习笔记相关推荐

最新文章

热门文章