标签：训练 demo epoch 损失 准确率 pytorch 60000 测试 P28
卷积神经网络与 传统神经 网络的训练模块基本一致，网络 模型差异较大。
一 读取数据
# 导包
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets,transforms
import matplotlib.pyplot as plt
import numpy as np
#读取 数据
# 定义超参数
input_size = 28 # 图像大小:28 * 28
num_classes = 10 # 标签的种类
num_epochs = 3 # 迭代的次数
batch_size = 64 # 每个批次的大小,即每64章图片一块进行一次训练
# 加载训练集
train_dataset = datasets.MNIST(
root='./data',
train=True,
transform=transforms.ToTensor(),
download=True
)
# 记载测试集
test_dataset = datasets.MNIST(root='./data',
train=False,
transform=transforms.ToTensor())
# 构建batch数据
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
batch_size=batch_size,
shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
batch_size=batch_size,
)前面是导包
数据源还是mnist,分为训练集与测试集。使用DataLoader来构建batch数据。
二 搭建卷积神经网络模型
#网络 模型
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
self.conv1 = nn.Sequential( # 输入大小 (1,28,28)
nn.Conv2d(
in_channels=1, # 说明是灰度图
out_channels=16, # 要得到多少个特征图
kernel_size=5, # 卷积核的大小
stride=1, # 步长
padding=2), # 边缘填充的大小
nn.ReLU(), #relu层
nn.MaxPool2d(kernel_size=2) # 池化操作 (2 * 2) 输出结果为: (16,14,14)
)
self.conv2 = nn.Sequential(
nn.Conv2d(16, 32, 5, 1, 2),#16 是输入，32 是特征图
nn.ReLU(), #relu层
nn.MaxPool2d(2)) # 输出 (32, 7, 7)
self.out = nn.Linear(32 * 7 * 7, 10) # 全连接输入分类
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1) # flatten操作,结果为 (batch_size, 32*7*7)
output = self.out(x)
return output
#准确率
def accuracy(predictions,labels):
pred = torch.max(predictions.data,1)[1]
rights = pred.eq(labels.data.view_as(pred)).sum()
return rights,len(labels)这里面的主要 参数 ，conv1与conv2 里面的 需要结合老师的视频区理解。还有前向传播调用out之前的view 变形操作。要结合上一个节的从矩阵降维到全连接理解 。
三 训练网络模型
# 实例化
net = CNN()
# 选择损失函数
criterion = nn.CrossEntropyLoss()
# 选择优化器
optimizer = optim.Adam(net.parameters(), lr=0.001) # 定义优化器,采用随机梯度下降算法
# 开始进行训练
for epoch in range(num_epochs):
train_right = [] # 保存当前epoch的结果,和之前定义一个保存loss的是一个道理
for batch_idx, (data, target) in enumerate(train_loader):
net.train()
output = net(data)
loss = criterion(output, target)
optimizer.zero_grad()
loss.backward()
optimizer.step() # 优化器调用step(),不是loss
right = accuracy(output, target)
train_right.append(right)
if batch_idx % 100 == 0:#每100次到验证集看效果
net.eval()
val_right = []
for (data, target) in test_loader:
output = net(data)
right = accuracy(output, target)
val_right.append(right)
# 准确率的计算
train_rate = (sum([tup[0] for tup in train_right]), sum(tup[1] for tup in train_right))
val_rate = (sum([tup[0] for tup in val_right]), sum(tup[1] for tup in val_right))
print('当前epoch:{}[{}/{}({:.0f}%)]\t 损失:{:.6f}\t 训练集准确率:{:.2f}%\t 测试集准确率:{:.2f}%'.format(
epoch, batch_idx * batch_size, len(train_loader.dataset),
100.0 * batch_idx / len(train_loader),
loss.data,
100.0 * train_rate[0].numpy() / train_rate[1],
100.0 * val_rate[0].numpy() / val_rate[1]
))没100次，看验证集输出结果：
当前epoch:0[0/60000(0%)] 损失:2.300367 训练集准确率:12.50% 测试集准确率:10.14%
当前epoch:0[6400/60000(11%)] 损失:0.280655 训练集准确率:74.13% 测试集准确率:92.48%
当前epoch:0[12800/60000(21%)] 损失:0.166317 训练集准确率:83.76% 测试集准确率:95.60%
当前epoch:0[19200/60000(32%)] 损失:0.105674 训练集准确率:87.71% 测试集准确率:95.65%
当前epoch:0[25600/60000(43%)] 损失:0.094606 训练集准确率:89.83% 测试集准确率:97.22%
当前epoch:0[32000/60000(53%)] 损失:0.065384 训练集准确率:91.26% 测试集准确率:97.60%
当前epoch:0[38400/60000(64%)] 损失:0.049964 训练集准确率:92.25% 测试集准确率:97.51%
当前epoch:0[44800/60000(75%)] 损失:0.035163 训练集准确率:93.01% 测试集准确率:97.83%
当前epoch:0[51200/60000(85%)] 损失:0.055695 训练集准确率:93.56% 测试集准确率:98.14%
当前epoch:0[57600/60000(96%)] 损失:0.014890 训练集准确率:94.03% 测试集准确率:97.77%
当前epoch:1[0/60000(0%)] 损失:0.081240 训练集准确率:93.75% 测试集准确率:98.20%
当前epoch:1[6400/60000(11%)] 损失:0.049458 训练集准确率:98.04% 测试集准确率:98.24%
当前epoch:1[12800/60000(21%)] 损失:0.026402 训练集准确率:98.12% 测试集准确率:98.18%
当前epoch:1[19200/60000(32%)] 损失:0.056982 训练集准确率:98.11% 测试集准确率:98.49%
当前epoch:1[25600/60000(43%)] 损失:0.098775 训练集准确率:98.13% 测试集准确率:98.63%
当前epoch:1[32000/60000(53%)] 损失:0.119748 训练集准确率:98.15% 测试集准确率:98.26%
当前epoch:1[38400/60000(64%)] 损失:0.024341 训练集准确率:98.18% 测试集准确率:98.49%
当前epoch:1[44800/60000(75%)] 损失:0.017717 训练集准确率:98.20% 测试集准确率:97.95%
当前epoch:1[51200/60000(85%)] 损失:0.084650 训练集准确率:98.20% 测试集准确率:98.45%
当前epoch:1[57600/60000(96%)] 损失:0.014650 训练集准确率:98.18% 测试集准确率:98.68%
当前epoch:2[0/60000(0%)] 损失:0.089021 训练集准确率:96.88% 测试集准确率:98.54%
当前epoch:2[6400/60000(11%)] 损失:0.048318 训练集准确率:98.72% 测试集准确率:98.68%
当前epoch:2[12800/60000(21%)] 损失:0.051317 训练集准确率:98.71% 测试集准确率:98.62%
当前epoch:2[19200/60000(32%)] 损失:0.033962 训练集准确率:98.67% 测试集准确率:98.53%
当前epoch:2[25600/60000(43%)] 损失:0.025890 训练集准确率:98.72% 测试集准确率:98.79%
当前epoch:2[32000/60000(53%)] 损失:0.007487 训练集准确率:98.72% 测试集准确率:98.57%
当前epoch:2[38400/60000(64%)] 损失:0.015440 训练集准确率:98.74% 测试集准确率:98.81%
当前epoch:2[44800/60000(75%)] 损失:0.006676 训练集准确率:98.73% 测试集准确率:98.84%
当前epoch:2[51200/60000(85%)] 损失:0.034487 训练集准确率:98.72% 测试集准确率:98.85%
当前epoch:2[57600/60000(96%)] 损失:0.042631 训练集准确率:98.73% 测试集准确率:98.73%
标签：训练,demo,epoch,损失,准确率,pytorch,60000,测试,P28 来源： https://blog.csdn.net/bohu83/article/details/122766429
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。