溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
如何使用Pytorch訓練分類器，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。
一、 數據
通常來說，當你處理圖像，文本，語音或者視頻數據時，你可以使用標準python包將數據加載成numpy數組格式，然后將這個數組轉換成torch.*Tensor
對于圖像，可以用Pillow，OpenCV
對于語音，可以用scipy，librosa
對于文本，可以直接用Python或Cython基礎數據加載模塊，或者用NLTK和SpaCy
特別是對于視覺，我們已經創建了一個叫做totchvision的包，該包含有支持加載類似Imagenet，CIFAR10，MNIST等公共數據集的數據加載模塊torchvision.datasets和支持加載圖像數據數據轉換模塊torch.utils.data.DataLoader。
這提供了極大的便利，并且避免了編寫“樣板代碼”。
對于本教程，我們將使用CIFAR10數據集，它包含十個類別：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10中的圖像尺寸為3*32*32，也就是RGB的3層顏色通道，每層通道內的尺寸為32*32。
圖片一 cifar10
二、 訓練一個圖像分類器
我們將按次序的做如下幾步：
1. 使用torchvision加載并且歸一化CIFAR10的訓練和測試數據集
2. 定義一個卷積神經網絡
3. 定義一個損失函數
4. 在訓練樣本數據上訓練網絡
5. 在測試樣本數據上測試網絡
1. 加載并歸一化CIFAR10
import torch
import torchvision
import torchvision.transformsastransformstorchvision數據集的輸出是范圍在[0,1]之間的PILImage，我們將他們轉換成歸一化范圍為[-1,1]之間的張量Tensors。
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')輸出：
Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz Files already downloaded and verified
讓我們來展示其中的一些訓練圖片。
import matplotlib.pyplot as plt
import numpy as np
# 圖像顯示函數
defimshow(img):
img = img /2+0.5 # 非標準的（unnormalized）
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# 得到一些隨機圖像
dataiter =iter(trainloader)images, labels = dataiter.next()
# 顯示圖像
imshow(torchvision.utils.make_grid(images))
# 打印類標
print(' '.join('%5s'% classes[labels[j]] for j inrange(4)))
圖片二
輸出：
cat car dog cat
2. 定義一個卷積神經網絡
在這之前先 從神經網絡章節 復制神經網絡，并修改它為3通道的圖片(在此之前它被定義為1通道)
import torch.nn as nn
import torch.nn.functional as F
classNet(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)
defforward(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 x
net = Net()讓我們使用分類交叉熵Cross-Entropy 作損失函數，動量SGD做優化器。
import torch.optim as optim
criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9）這里事情開始變得有趣，我們只需要在數據迭代器上循環傳給網絡和優化器輸入就可以。
for epoch inrange(2): # 多次循環遍歷數據集
running_loss =0.0
for i, data inenumerate(trainloader, 0):
# 獲取輸入
inputs, labels = data
# 參數梯度置零
optimizer.zero_grad()
# 前向+ 反向 + 優化
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 輸出統計
running_loss += loss.item()
if i %2000==1999: # 每2000 mini-batchs輸出一次 print('[%d, %5d] loss: %.3f'%
(epoch +1, i +1, running_loss /2000))
running_loss =0.0
print('Finished Training')輸出：
[1, 2000] loss: 2.211
[1, 4000] loss: 1.837
[1, 6000] loss: 1.659
[1, 8000] loss: 1.570
[1, 10000] loss: 1.521
[1, 12000] loss: 1.451
[2, 2000] loss: 1.411
[2, 4000] loss: 1.393
[2, 6000] loss: 1.348
[2, 8000] loss: 1.340
[2, 10000] loss: 1.363
[2, 12000] loss: 1.320
Finished Training5. 在測試集上測試網絡
我們已經通過訓練數據集對網絡進行了2次訓練，但是我們需要檢查網絡是否已經學到了東西。
我們將用神經網絡的輸出作為預測的類標來檢查網絡的預測性能，用樣本的真實類標來校對。如果預測是正確的，我們將樣本添加到正確預測的列表里。
好的，第一步，讓我們從測試集中顯示一張圖像來熟悉它。
dataiter =iter(testloader)images, labels = dataiter.next()
# 打印圖片
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s'% classes[labels[j]] for j inrange(4)))
圖片三
輸出：
GroundTruth: cat ship ship plane
現在讓我們看看神經網絡認為這些樣本應該預測成什么：
outputs = net(images)
輸出是預測與十個類的近似程度，與某一個類的近似程度越高，網絡就越認為圖像是屬于這一類別。所以讓我們打印其中最相似類別類標：
_, predicted = torch.max(outputs, 1)
print('Predicted: ', ' '.join('%5s'% classes[predicted[j]]
for j inrange(4)))輸出：
Predicted: cat car car ship
結果看起開非常好，讓我們看看網絡在整個數據集上的表現。
correct =0total =0with torch.no_grad():
for data in testloader:
images, labels = data
outputs = 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))輸出：
Accuracy of the network on the 10000 test images: 53 %
這看起來比隨機預測要好，隨機預測的準確率為10%（隨機預測出為10類中的哪一類）。看來網絡學到了東西。
class_correct =list(0.for i inrange(10))class_total =list(0.for i inrange(10))with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs, 1)
c = (predicted == labels).squeeze()
for i inrange(4):
label = labels[i]
class_correct[label] += c[i].item()
class_total[label] +=1
for i inrange(10):
print('Accuracy of %5s : %2d %%'% (
classes[i], 100* class_correct[i] / class_total[i]))輸出：
Accuracy of plane : 52 %
Accuracy of car : 73 %
Accuracy of bird : 34 %
Accuracy of cat : 54 %
Accuracy of deer : 48 %
Accuracy of dog : 26 %
Accuracy of frog : 68 %
Accuracy of horse : 51 %
Accuracy of ship : 63 %
Accuracy of truck : 60 %所以接下來呢？我們怎么在GPU上跑這些神經網絡？
就像你怎么把一個張量轉移到GPU上一樣，你要將神經網絡轉到GPU上。
如果CUDA可以用，讓我們首先定義下我們的設備為第一個可見的cuda設備。
device = torch.device("cuda:0"if torch.cuda.is_available() else"cpu")
# 假設在一臺CUDA機器上運行，那么這里將輸出一個CUDA設備號：
print(device)輸出：
cuda:0
本節剩余部分都會假定設備就是臺CUDA設備。接著這些方法會遞歸地遍歷所有模塊，并將它們的參數和緩沖器轉換為CUDA張量。
net.to(device)
記住你也必須在每一個步驟向GPU發送輸入和目標：
inputs, labels = inputs.to(device), labels.to(device)
為什么沒有注意到與CPU相比巨大的加速？因為你的網絡非常小。
練習：嘗試增加你的網絡寬度（首個nn.Conv2d參數設定為2，第二個nn.Conv2d參數設定為1--它們需要有相同的個數），看看會得到怎么的速度提升。
目標：
深度理解了PyTorch的張量和神經網絡
訓練了一個小的神經網絡來分類圖像
四、 在多個GPU上訓練
如果你想要來看到大規模加速，使用你的所有GPU，請查看：數據并行性（https://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html）。
看完上述內容，你們掌握如何使用Pytorch訓練分類器的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
