Pytorch：三、数据的迭代训练(猫狗)

import torch
import divide
import torch.optim as optim
import torch.nn as nn
from torch.autograd import Variable
from model import Netepochs = 10    #迭代训练五次
cirterion = nn.CrossEntropyLoss()    #定义损失函数
optimizer = optim.SGD(Net.parameters(), lr=0.0001, momentum=0.9)    #定义优化器for epoch in range(epochs):running_loss = 0    #损失值train_correct = 0    #分类样本正确的总数train_total = 0    #分类样本总数for i, data in enumerate(divide.train_loader, 0):inputs, train_labels = datainputs, labels = Variable(inputs), Variable(train_labels)optimizer.zero_grad()outputs = Net(inputs)_, train_predicted = torch.max(outputs.data, 1)itrain_correct += (train_predicted == labels.data).sum()loss = cirterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()train_total += train_labels.size(0)print('train %d epoch loss: %.3f  acc: %.3f ' % (epoch + 1, running_loss / train_total, 100 * train_correct / train_total))print('finished training!')

运行：

train 1 epoch loss: 0.172  acc: 56.029
train 2 epoch loss: 0.163  acc: 62.057
train 3 epoch loss: 0.155  acc: 65.274
train 4 epoch loss: 0.149  acc: 68.006
train 5 epoch loss: 0.144  acc: 70.131
train 6 epoch loss: 0.139  acc: 71.749
train 7 epoch loss: 0.135  acc: 72.994
train 8 epoch loss: 0.130  acc: 74.360
train 9 epoch loss: 0.126  acc: 75.486
train 10 epoch loss: 0.122  acc: 76.520
finished training!

定义epoch：迭代训练的次数
定义cirterion、optimizer：损失函数、优化器
使用循环语句进行数据的迭代训练，一共迭代训练epoch次
runing_loss：总损失值、train_correct：分类正确总数量、train_total：训练图片总数量
enumerate返回两个值，i是下标，由enumerate()函数给定，data表示数据，数据包括Tensor(图像)与标签
input存储Tensor，train_labels存储标签，将这两个参数设置为Variable，表示参数存储的值是随着训练不断更新的
zero_grad()将梯度置零，将损失值关于权重的导数置零，每次训练不同的batch，将上一个batch反向传播训练的导数置零，也就是优化器权重的清除
Tensor传入神经网络模型Net
torch.max返回两个值，第一个值是tensor中每行最大值，第二个值是最大值的索引，最大值就是神经网络判断属于各种类别概率值中的最大概率值，索引就是这个概率值最大的类别
用train_predicted存储这个索引，即神经网络判断出的类别，概率不记录
如果这个类别与实际的类别相同即分类正确，我们将train_correct进行+1操作，记录分类正确图片总数量
将神经网络判断出的类别与正确类别传入loss中计算损失值，再进行loss的反向传播，使用step()进行优化器权重的更新
将损失值相加记录总损失值
size(0)表示train_labels的第一维度，就是每次训练图片的数量：batch_size的大小，求和并由train_total记录，表示训练图片总数量
输出：running_loss / train_total为平均的损失值，train_correct / train_total为正确率

Pytorch：三、数据的迭代训练(猫狗)相关推荐

ResNet-50 训练猫狗分类
ResNet-50 训练猫狗分类 1.ResNet网络 2.猫狗数据 3.训练 4.测试这里介绍一下怎么搭建ResNet网络,并说明一下残差网络的结构,并使用ResNet来训练一个二分类问题 1.R ...
kaggle（一）训练猫狗数据集
记录第一次使用kaggle训练猫狗数据集 import os import shutil os.listdir('../input/train/train') base_dir = './cat_do ...
【猫狗数据集】pytorch训练猫狗数据集之创建数据集
数据集下载地址: 链接:https://pan.baidu.com/s/1tJQIY0ob2EyQn3cDipPkow?pwd=7gch 提取码:7gch 猫狗数据集的分为训练集25000张,在训练 ...
tensorflow.js在nodejs训练猫狗分类模型在浏览器上使用
目录本人系统环境注意事项前言数据集准备处理数据集数据集初步处理将每一张图片数据转换成张量数据(tensor) 将图片转换成张量数组的代码和运行效果将图片的标注转换成张量数据(tenso ...
训练猫狗数据集（及图像增强后训练）
目录一.所需环境(安装附链接) 二.数据集准备三.网络模型四.Data preprocessing (数据预处理) 五.训练六.使用数据填充一.所需环境(安装附链接) tensorflow和 ...
MobileNetv1训练猫狗图片
MobileNetv1是谷歌提出的轻量级的卷积神经网络(同VGG相比),它主要采用了深度可分离的卷积,从而大大降低了参数数目和网络的计算量.深度可分离卷积包括两个部分,分别是Depthwise卷积和P ...
pytorch 猫狗二分类 resnet
深度学习(猫狗二分类) 题目要求数据获取与预处理网络模型模型原理 Resnet背景 Resnet原理代码实现模型构建训练过程批验证过程单一验证APP 运行结果训练结果批验证结果 A ...
基于tensorflow的猫狗分类
基于tensorflow的猫狗分类数据的准备引入库数据集来源准备数据显示一张图片的内容搭建网络模型构建网络模型的编译数据预处理模型的拟合与评估模型的拟合预测一张图片损失和精度 ...
含噪数据的有效训练，谷歌地标图像检索竞赛2020冠军方案解读
2020年谷歌地标图像检索竞赛(Google Landmark Retrieval 2020)是今年举行的大型图像检索算法竞赛,该比赛在Kaggle 竞赛平台进行,吸引了全球541支团队参赛,最终来自 ...
实战：利用pytorch搭建VGG-16实现从数据获取到模型训练的猫狗分类网络
起在学习了卷积神经网络的理论基础和阅读了VGG的论文之后,对卷积有了大致的了解,但这都只是停留在理论上,动手实践更为重要,于是便开始了0基础学习pytorch.图像处理,搭建模型. pytorch学 ...

Pytorch：三、数据的迭代训练(猫狗)

Pytorch：三、数据的迭代训练(猫狗)相关推荐

最新文章

热门文章