【前言】：你已经了解了如何定义神经网络，计算loss值和网络里权重的更新。现在你也许会想数据怎么样？

目录：

一．数据

二．训练一个图像分类器

使用torchvision加载并且归一化CIFAR10的训练和测试数据集

定义一个卷积神经网络

定义一个损失函数

在训练样本数据上训练网络

在测试样本数据上测试网络

三．在GPU上训练

四．在多个GPU上训练

五．还可以学哪些？

一、 数据

通常来说，当你处理图像，文本，语音或者视频数据时，你可以使用标准python包将数据加载成numpy数组格式，然后将这个数组转换成torch.*Tensor

对于图像，可以用Pillow，OpenCV

对于语音，可以用scipy，librosa

对于文本，可以直接用Python或Cython基础数据加载模块，或者用NLTK和SpaCy

特别是对于视觉，我们已经创建了一个叫做totchvision的包，该包含有支持加载类似Imagenet，CIFAR10，MNIST等公共数据集的数据加载模块torchvision.datasets和支持加载图像数据数据转换模块torch.utils.data.DataLoader。

这提供了极大的便利，并且避免了编写“样板代码”。

对于本教程，我们将使用CIFAR10数据集，它包含十个类别：‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。CIFAR-10中的图像尺寸为33232，也就是RGB的3层颜色通道，每层通道内的尺寸为32*32。

二、 训练一个图像分类器

我们将按次序的做如下几步：

使用torchvision加载并且归一化CIFAR10的训练和测试数据集

定义一个卷积神经网络

定义一个损失函数

在训练样本数据上训练网络

在测试样本数据上测试网络

加载并归一化CIFAR10

使用torchvision,用它来加载CIFAR10数据非常简单

import torch

import torchvision

import torchvision.transformsastransforms

torchvision数据集的输出是范围在[0,1]之间的PILImage，我们将他们转换成归一化范围为[-1,1]之间的张量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')

输出：

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

让我们来展示其中的一些训练图片。

import matplotlib.pyplot as plt

import numpy as np

# 图像显示函数

defimshow(img):

img = img /2+0.5 # 非标准的(unnormalized)

npimg = img.numpy()

plt.imshow(np.transpose(npimg, (1, 2, 0)))

plt.show()

# 得到一些随机图像

dataiter =iter(trainloader)images, labels = dataiter.next()

# 显示图像

imshow(torchvision.utils.make_grid(images))

# 打印类标

print(' '.join('%5s'% classes[labels[j]] for j inrange(4)))

输出：

cat car dog cat

定义一个卷积神经网络

在这之前先 从神经网络章节 复制神经网络，并修改它为3通道的图片(在此之前它被定义为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()

定义一个损失函数和优化器

让我们使用分类交叉熵Cross-Entropy 作损失函数，动量SGD做优化器。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

训练网络

这里事情开始变得有趣，我们只需要在数据迭代器上循环传给网络和优化器输入就可以。

for epoch inrange(2): # 多次循环遍历数据集

running_loss =0.0

for i, data inenumerate(trainloader, 0):

# 获取输入

inputs, labels = data

# 参数梯度置零

optimizer.zero_grad()

# 前向+ 反向 + 优化

outputs = net(inputs)

loss = criterion(outputs, labels)

loss.backward()

optimizer.step()

# 输出统计

running_loss += loss.item()

if i %2000==1999: # 每2000 mini-batchs输出一次 print('[%d, %5d] loss: %.3f'%

(epoch +1, i +1, running_loss /2000))

running_loss =0.0

print('Finished Training')

输出：

[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 Training

在测试集上测试网络

我们已经通过训练数据集对网络进行了2次训练，但是我们需要检查网络是否已经学到了东西。

我们将用神经网络的输出作为预测的类标来检查网络的预测性能，用样本的真实类标来校对。如果预测是正确的，我们将样本添加到正确预测的列表里。

好的，第一步，让我们从测试集中显示一张图像来熟悉它。

dataiter =iter(testloader)images, labels = dataiter.next()

# 打印图片

imshow(torchvision.utils.make_grid(images))

print('GroundTruth: ', ' '.join('%5s'% classes[labels[j]] for j inrange(4)))

输出：

GroundTruth: cat ship ship plane

现在让我们看看神经网络认为这些样本应该预测成什么：

outputs = net(images)

输出是预测与十个类的近似程度，与某一个类的近似程度越高，网络就越认为图像是属于这一类别。所以让我们打印其中最相似类别类标：

_, predicted = torch.max(outputs, 1)

print('Predicted: ', ' '.join('%5s'% classes[predicted[j]]

for j inrange(4)))

输出：

Predicted: cat car car ship

结果看起开非常好，让我们看看网络在整个数据集上的表现。

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))

输出：

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

这看起来比随机预测要好，随机预测的准确率为10%(随机预测出为10类中的哪一类)。看来网络学到了东西。

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]))

输出：

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 %

所以接下来呢？我们怎么在GPU上跑这些神经网络？

三、 在GPU上训练

就像你怎么把一个张量转移到GPU上一样，你要将神经网络转到GPU上。

如果CUDA可以用，让我们首先定义下我们的设备为第一个可见的cuda设备。

device = torch.device("cuda:0"if torch.cuda.is_available() else"cpu")

# 假设在一台CUDA机器上运行，那么这里将输出一个CUDA设备号：

print(device)

输出：

cuda:0

本节剩余部分都会假定设备就是台CUDA设备。接着这些方法会递归地遍历所有模块，并将它们的参数和缓冲器转换为CUDA张量。

net.to(device)

记住你也必须在每一个步骤向GPU发送输入和目标：

inputs, labels = inputs.to(device), labels.to(device)

为什么没有注意到与CPU相比巨大的加速？因为你的网络非常小。

练习：尝试增加你的网络宽度(首个nn.Conv2d参数设定为2，第二个nn.Conv2d参数设定为1--它们需要有相同的个数)，看看会得到怎么的速度提升。

目标：

深度理解了PyTorch的张量和神经网络

训练了一个小的神经网络来分类图像

原文发布时间为：2018-12-27

本文作者： 荔枝boy

本文来自云栖社区合作伙伴“ 磐创AI”，了解相关信息可以关注“xunixs”微信公众号