6-7Pytorch搭建cifar10训练脚本（下）

和上相比。。下使用了board可视化训练过程，训练结束后在log文件下面生成日志
在终端输入命令

tensorboard --logdir ./

打开

# -*- encoding: utf-8 -*-
"""
@File    : train.py
@Time    : 2021-03-07 16:24
@Author  : XD
@Email   : gudianpai@qq.com
@Software: PyCharm
"""
import osimport torch
import torch.nn as nn
import torchvision
import tensorboardXfrom vggnet import VGGNetfrom load_cifar10 import train_loader
from load_cifar10 import test_loader#判断是否有gpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")#遍历200次
epoch_num = 2#学习率
lr = 0.01#batch_size = 128
batch_size = 128net = VGGNet().to(device)#loss多分类问题，交叉熵来定义
loss_func = nn.CrossEntropyLoss()#定义优化器
optimizer = torch.optim.Adam(net.parameters(),lr = lr)
#optimizer = torch.optim.SGD(net.parameters(),lr = lr,
#                            monmentum = 0.9,weight_decat = 5e-4)#质数衰减学习率
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size = 1,gamma = 0.9)if not os.path.exists("log"):os.mkdir("log")
writer = tensorboardX.SummaryWriter("log")step_n = 0for epoch in range(epoch_num):print(" epoch is： ", epoch)net.train() #train BN dropoutfor i, data in enumerate(train_loader):inputs, labels = datainputs, labels = inputs.to(device), labels.to(device)outputs = net(inputs)loss = loss_func(outputs, labels)optimizer.zero_grad()loss.backward()optimizer.step()print("step：",i,"loss is:",loss.item())_,pred = torch.max(outputs.data,dim = 1)correct = pred.eq(labels.data).cpu().sum()# print(" epoch is： ", epoch)# print("step：",i,"loss is:",loss.item(),#       "mini-batch correct is:",100.0 * correct / batch_size)# print("lr is：", optimizer.state_dict()["param_groups"][0]["lr"])#x = torch.tensor([1.0])#x.item()# 1.0writer.add_scalar("train loss:",loss.item(),global_step = step_n)writer.add_scalar("train correct",100.0 * correct.item(),global_step = step_n)im = torchvision.utils.make_grid(inputs)writer.add_image("train im",im,global_step = step_n)step_n += 1if not os.path.exists("models"):os.mkdir("models")torch.save(net.state_dict(),"models\{}.pth".format(epoch + 1))scheduler.step()#编写一个测试脚本sum_loss = 0sum_correct = 0for i, data in enumerate(test_loader):net.eval()inputs, labels = datainputs, labels = inputs.to(device), labels.to(device)outputs = net(inputs)loss = loss_func(outputs, labels)_, pred = torch.max(outputs.data, dim=1)correct = pred.eq(labels.data).cpu().sum()sum_loss += loss.item()sum_correct += correct.item()writer.add_scalar("test loss:", loss.item(),global_step = step_n)writer.add_scalar("test correct:",100.0 * correct.item() / batch_size,global_step = step_n)writer.add_image("test im",im,global_step = step_n)test_loss = sum_loss * 1.0 / len(test_loader)test_correct = sum_correct * 100.0 / len(test_loader) / batch_sizeprint("epoch is：", epoch + 1, "loss is:", test_loss,"test correct is:", test_correct)writer.close()

6-7Pytorch搭建cifar10训练脚本（下）相关推荐

6-7Pytorch搭建cifar10训练脚本（上）
需要详解一下代码~~ import torch.nn.functional as F,包含 torch.nn 库中所有函数,同时包含大量 loss 和 activation function # -* ...
基于Keras搭建cifar10数据集训练预测Pipeline
基于Keras搭建cifar10数据集训练预测Pipeline 钢笔先生关注 0.5412019.01.17 22:52:05字数 227阅读 500 Pipeline 本次训练模型的数据直接使用Ke ...
Centos7下的LibreOffice的搭建及自动化脚本部署
Centos7下的LibreOffice的搭建及自动化脚本部署 LibreOffice 简介 LibreOffice 是一个强大的办公套件 – 它清晰的界面和强大的工具让您释放您的创造力并增长您的生产 ...
pytorch下搭建网络训练并保存模型
最近在学习pytorch,使用mnist数据集,搭建AlexNet训练并保存模型,将代码做一记录. 建立数据集的方法见pytorch建立自己的数据集(以mnist为例) 搭建网络的方法见用pytorc ...
天池训练营——基于人脸的常见表情识别(3)——模型搭建、训练与测试
在完成数据准备之后,便可以使用 PyTorch 深度学习框架,实现卷积神经网络的定义.训练和预测. 一.模型搭建与训练得到了数据之后,接下来咱们使用 PyTorch 这个框架来进行模型的训练.整个训 ...
基于人脸的常见表情识别（3）——模型搭建、训练与测试
基于人脸的常见表情识别(3)--模型搭建.训练与测试模型搭建与训练 1. 数据接口准备 2. 模型定义 3. 模型训练模型测试本 Task 是『基于人脸的常见表情识别』训练营的第 3 课,如果你 ...
Faster-rcnn环境搭建与训练自己的数据
Faster-RCNN环境搭建与训练自己的数据 0 前言之前整理过一篇关于fasterrcnn的文章,文中详细介绍了fasterrcnn原理分析,近期由于工作需要利用fasterrcnn进行模型训练 ...
环境搭建：Windows系统下Nacos集群搭建
环境搭建:Windows系统下Nacos集群搭建一.环境准备名称版本下载地址 nacos NACOS 1.2.0 下载地址,提取码:5555 MySQL mysql Ver 14.14 Dis ...
第十二章_网络搭建及训练
文章目录第十二章网络搭建及训练 CNN训练注意事项第十二章 TensorFlow.pytorch和caffe介绍 12.1 TensorFlow 12.1.1 TensorFlow是什么? 12 ...

6-7Pytorch搭建cifar10训练脚本（下）

6-7Pytorch搭建cifar10训练脚本（下）相关推荐

最新文章

热门文章