1. 数据集下载并转换为张量
train_set = torchvision.datasets.CIFAR10(root=data_path, train=True, download=True, transform=transforms.Compose([ transforms.ToTensor() ])) val_set = torchvision.datasets.CIFAR10(root=data_path, train=False, download=True, transform=transforms.Compose([ transforms.ToTensor() ]) )2. 数据集大小 由 len(train_set)， 可以得到训练集有50000个样本； 同理，由len(val_set)， 可以得到测试集有10000个样本。 3. 每个样本输出的类型 由type(train_set[0])，可以得到输出的类型为元组tuple， 分别输出Img(图像数据)和Label(标签数据)。
读取数据集的三个步骤：Extract，Transform， Load
训练时需要设置几个参数： model, optimizer, data(train, val), loss, learning rate, epochs。
def training_loop(epochs, model, train_loader, loss_fn, optimizer, learning_rate): for epoch in range(epochs): print(epoch) for imgs, labels in train_loader: inputs = imgs.view(imgs.shape[0], -1) outputs = model(inputs) loss = loss_fn(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() print("Epoch: {}, Loss: {}".format(epoch, loss))载入DataLoader模型，按设置的batch，张量大小为 [Batch, Channels, Height, Width] 载入到模型时，需要重塑张量大小 [Batch, Channels·Height·Width]
model
model = nn.Sequential( nn.Linear(3072, 128), nn.Tanh(), nn.Linear(128, 10), nn.LogSoftmax(dim=0))optimizer
optimizer = optim.SGD(model.parameters(), lr=lr)data
train_loader = torch.utils.data.DataLoader(train_cifar10, batch_size=10) val_loader = torch.utils.data.DataLoader(val_cifar10, batch_size=10)loss
loss_fn = nn.NLLLoss()epochs & learning rate
epochs = 10 lr = 1e-2训练
List item training_loop(epochs=epochs, model=model, train_loader=train_loader, loss_fn=loss_fn, optimizer=optimizer, learning_rate=lr)训练后的参数解析
model.parameters() >> 地址 len(list(model.parameters())) >> 4 for name, params in model.named_parameters(): print(name,params.shape)得到的: 0.weight, torch.Size([128, 3072] 0.bias, torch.Size([128]) 2.weight, torch.Size([10, 128]) 2.bias, torch.Size([10])
训练得到的参数在训练集中的表现–精确率
with torch.no_grad(): for imgs, labels in train_loader: outputs = model(imgs.view(imgs.shape[0], -1)) # print(outputs.shape) >> [batch, 分类数] # print(labels.shape) >> [batch] _, predict_index = torch.max(outputs, dim=1) # print(predict_index) total += labels.shape[0] correct += int((labels == predict_index).sum()) arr = float(correct) / float(total) print(arr)使用model后，得到的[batch, 分类数]如[10, 10] 表示一个batch中的十张图片的10个分类的概率，找到最大概率值的索引位置即为该位置所在的分类类别。 如outputs[0] >>>tensor([-2.1677, -4.5608, -1.9927, -1.4298, -1.6841, -1.7170, -1.2153, -3.7270, -7.6631, -6.9029]), 找到最大的值-1.2153的索引6。 则6为labels里面的frog。
