TRAINING A CLASSIFIER 训练一个分类器
- 数据呢?
- Training an image classifier 训练一个图像分类器
- - 1. 载入和归一化CIFAR10
  - 2. Define a Convolutional Neural Network 定义一个卷积神经网络
  - 3. Define a Loss function and optimizer 定义一个loss函数和优化器
  - 4. Train the network 训练网络
  - 5. Test the network on the test data 用测试数据测试网络
- Training on GPU GPU上训练
- Training on multiple GPUs 在多GPU上训练.
- Where do I go next? 下面做什么?

TRAINING A CLASSIFIER 训练一个分类器

就这样. 你已经知道怎样定义神经网络, 计算loss和更新网络权重.
现在你可能会想:

数据呢?

一般, 当处理图片, 文本, 音频或者视频数据时, 你可以使用标准的python包,将数据载入为numpy array. 然后你可以将array转化为torch.*Tensor.
对于图片, Pillow, OpenCV之类的包较为有用.
对于音频, 可以用scipy和librosa
对于文本, 基于原生Python或Cython的载入功能, NLTK和SpaCy之类的较为有用.
特别对于视觉(vision), 我们创建了一个包叫torchvision. 它有常用datasets(如ImageNet, CIFAR10, MNIST等)的数据载入工具(data loader)和图片转换工具, 也就是torchvision.datasets和torch.utils.data.DataLoader.

用起来很方便.

这个教程里. 我们用CIFAR10数据库. 有 ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’十个类别的图片. 图片3x32x32. 也就是3通道, 32x32大小.

Training an image classifier 训练一个图像分类器

步骤:

用torchvision载入和归一化训练和测试数据,
定义卷积神经网络(CNN)
定义loss函数
训练
测试

1. 载入和归一化CIFAR10

使用torchvision, 很简单.

import torch
import torchvision
import torchvision.transforms as transforms

torchvision的输出是PILImage, 范围[0,1]. 我们将其转化为归一化到[-1, 1]范围的Tensor.

注意:
如果在Windows上出现BrokenPipeError, 将torch.utils.data.DataLoader() 的 num_worker 置为0.

transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,shuffle=True, num_workers=2)testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)
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')

Out:

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz
Extracting ./data/cifar-10-python.tar.gz to ./data
Files already downloaded and verified

让我们看看训练数据什么样.

import matplotlib.pyplot as plt
import numpy as np# functions to show an imagedef imshow(img):img = img / 2 + 0.5     # unnormalizenpimg = img.numpy()plt.imshow(np.transpose(npimg, (1, 2, 0)))plt.show()# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))
../../_images/sphx_glr_cifar10_tutorial_001.png

Out:

dog  bird  ship   dog

2. Define a Convolutional Neural Network 定义一个卷积神经网络

将之前定义的网络拷贝过来, 修改为接收3通道图片(之前的接收单通道).

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):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):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 xnet = Net()

3. Define a Loss function and optimizer 定义一个loss函数和优化器

用分类交叉熵和带动量(momentum)的SGD.

import torch.optim as optimcriterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

4. Train the network 训练网络

有意思的地方来了. 我们简单地在数据迭代器(data iterator)上循环遍历, 将输入喂给网络并优化.

for epoch in range(2):  # loop over the dataset multiple timesrunning_loss = 0.0for i, data in enumerate(trainloader, 0):# get the inputs; data is a list of [inputs, labels]inputs, labels = data# zero the parameter gradientsoptimizer.zero_grad()# forward + backward + optimizeoutputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()# print statisticsrunning_loss += loss.item()if i % 2000 == 1999:    # print every 2000 mini-batchesprint('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0print('Finished Training')

Out:

[1,  2000] loss: 2.235
[1,  4000] loss: 1.902
[1,  6000] loss: 1.674
[1,  8000] loss: 1.571
[1, 10000] loss: 1.529
[1, 12000] loss: 1.478
[2,  2000] loss: 1.389
[2,  4000] loss: 1.391
[2,  6000] loss: 1.359
[2,  8000] loss: 1.335
[2, 10000] loss: 1.330
[2, 12000] loss: 1.289
Finished Training

保存训练好的模型:

PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

这里有更多的保存模型的细节.

5. Test the network on the test data 用测试数据测试网络

我们已经训练了两轮了, 我们看看网络是否学到东西了.
我们将模型输出的结果和真实结果(ground-truth)作比较. 如果预测是正确的, 我们将这个sample加到正确预测的list中.

dataiter = iter(testloader)
images, labels = dataiter.next()
# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

Out:

GroundTruth:    cat  ship  ship plane

然后, 重新载入保存的模型(注意: 保存和重新载入模型不是必要的, 我们这里只是为了说明怎样做):

net = Net()
net.load_state_dict(torch.load(PATH))

好, 我们来看看模型分类结果如何:

outputs = net(images)

输出是10类的置信度(energy). 某一类的置信度越高, 网络认为图片是此类的可能性越大. 所以, 我们来获取最高的置信度:

_, predicted = torch.max(outputs, 1)print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]for j in range(4)))

Out:

Predicted:    cat  ship  ship  ship

结果还不错, 我们来看看整个数据集上的表现:

correct = 0
total = 0
with torch.no_grad():for data in testloader:images, labels = dataoutputs = 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))

Out:

Accuracy of the network on the 10000 test images: 53 %

看起来比随机猜测要好. 随机猜测正确率是10%. 看来网络确实学到了东西.
看看哪些类表现好, 哪些类表现不好:

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 = dataoutputs = 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] += 1for i in range(10):print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))

Out:

Accuracy of plane : 56 %
Accuracy of   car : 74 %
Accuracy of  bird : 30 %
Accuracy of   cat : 29 %
Accuracy of  deer : 57 %
Accuracy of   dog : 37 %
Accuracy of  frog : 73 %
Accuracy of horse : 62 %
Accuracy of  ship : 56 %
Accuracy of truck : 53 %

好了, 接下来做什么呢?
怎样在GPU上跑神经网络呢?

Training on GPU GPU上训练

正如将Tensor转到GPU上一样, 你可以将网络转到GPU上.
如果CUDA有效的话, 将device定义为第一个可用的cuda设备.

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")# Assuming that we are on a CUDA machine, this should print a CUDA device:print(device)

Out:

cuda:0

剩下的部分, 我们认为device就是CUDA device.
然后这些方法将会递归地遍历我们的模型部件(module)并将他们的参数和buffer转为CUDA tensor:

net.to(device)

记住, 你必须要在每一步中将输入图像和目标输出都转到GPU上:

inputs, labels = data[0].to(device), data[1].to(device)

为什么我们有看到很大的速度提升? 因为你的模型太小了.

练习: 尝试增大网络宽度(第一个nn.Conv2d的第二个参数, 第二个nn.Conv2d的第一个参数, 两者要相等), 看看提速效果如何.

目标达成:

在高层(high level)上理解Pytorch Tensor库和神经网络.
训练一个分类图片的小神经网络.

Training on multiple GPUs 在多GPU上训练.

如果你想用多块GPU训练, 请看: Data Parallelism.

Where do I go next? 下面做什么?

训练网络玩游戏
在imagenet上训练ResNet
使用生成对抗网络GAN训练人脸生成器
使用循环LSTM网络训练词级语言模型
更多例子
更多教程
论坛讨论
Slack交流

Total running time of the script: ( 3 minutes 29.428 seconds)

Pytorch 60分钟入门之(四) TRAINING A CLASSIFIER 训练一个分类器相关推荐

PyTorch 60 分钟入门教程中的一些疑惑
PyTorch 60 分钟入门教程中的一些疑惑自动微分参考: PyTorch 60 分钟入门教程. 自动微分 y.data.norm()指的是y的范数,举一个例子假设x是[1.,2.,3.],则 ...
PyTorch基础教程学习笔记（八）：训练一个分类器
数据应该怎么办呢? 通常来说,当必须处理图像.文本.音频或视频数据时,可以使用python标准库将数据加载到numpy数组里.然后将这个数组转化成torch.*Tensor. 对于图片,有Pillow ...
【深度学习】翻译：60分钟入门PyTorch（四）——训练一个分类器
前言原文翻译自:Deep Learning with PyTorch: A 60 Minute Blitz 翻译:林不清(https://www.zhihu.com/people/lu-guo-92 ...
TRAINING A CLASSIFIER训练分类器（pytorch官网60分钟闪电战第四节）
Training an image classifier训练图像分类器本节没有写在GPU和多个GPU上训练的代码,主要写了训练图像分类器,分为5个步骤文章目录一.Loading and norm ...
可下载：60分钟入门PyTorch（中文翻译全集）
来源:机器学习初学者本文约9500字,建议阅读20分钟官网教程翻译:60分钟入门PyTorch(全集) 前言原文翻译自:Deep Learning with PyTorch: A 60 Minute ...
【深度学习】翻译：60分钟入门PyTorch（三）——神经网络
前言原文翻译自:Deep Learning with PyTorch: A 60 Minute Blitz 翻译:林不清(https://www.zhihu.com/people/lu-guo-92 ...
（翻译）60分钟入门深度学习工具-PyTorch
60分钟入门深度学习工具-PyTorch 作者:Soumith Chintala 原文翻译自: https://pytorch.org/tutorials/beginner/deep_learning ...
【转载】PYTORCH整理：60分钟入门
PYTORCH整理:60分钟入门官方地址:Deep Learning with PyTorch: A 60 Minute Blitz,感谢作者: Soumith Chintala 转载出处:Gaus ...
60分钟入门深度学习工具PyTorch
「免费学习 60+ 节公开课:投票页面,点击讲师头像」作者 | Soumith Chintala 中文翻译.注释制作 | 黄海广配置环境:PyTorch 1.3,python 3.7, 主机:显卡 ...

Pytorch 60分钟入门之(四) TRAINING A CLASSIFIER 训练一个分类器

目录

TRAINING A CLASSIFIER 训练一个分类器

数据呢?

Training an image classifier 训练一个图像分类器

1. 载入和归一化CIFAR10

2. Define a Convolutional Neural Network 定义一个卷积神经网络

3. Define a Loss function and optimizer 定义一个loss函数和优化器

4. Train the network 训练网络

5. Test the network on the test data 用测试数据测试网络

Training on GPU GPU上训练

Training on multiple GPUs 在多GPU上训练.

Where do I go next? 下面做什么?

Pytorch 60分钟入门之(四) TRAINING A CLASSIFIER 训练一个分类器相关推荐

最新文章

热门文章