Pytorch应用训练好的模型

1.保存训练好的模型：torch.save方法
2.加载之前保存的模型：torch.load方法
3.对于分类问题的补充
4.CPU训练完整代码
5.GPU训练方法一
6.GPU训练方法二
7.GPU训练过程的细节优化
8.验证模型

1.保存训练好的模型：torch.save方法

保存训练好的模型有两种方式，第一种保存模型结构且保存模型参数，第一种方式存在一种陷阱，也就是每次加载模型都得把类定义，或者访问类所在的包。保存方式为：

torch.save(模型名, 以pth为后缀的文件)

第二种保存方式只保存模型参数，不保存模型结构，这样可以面对较大的网络模型，可以节省空间，是官方推荐的保存方式，具体为：

torch.save(模型名.state_dict(), 以pth为后缀的文件)

第一个参数，模型名.state_dict()意为只取模型的参数，且以字典方式存储；第二个参数存储模型的地址，一般都用以pth结尾的文件。
代码如下：

import torch
import torchvision
from torch import nnvgg16 = torchvision.models.vgg16(pretrained=False)
# 保存方式1,模型结构+模型参数
torch.save(vgg16, "vgg16_method1.pth")# 保存方式2，模型参数（官方推荐）
torch.save(vgg16.state_dict(), "vgg16_method2.pth")# 陷阱
class test_Model(nn.Module):def __init__(self):super(test_Model, self).__init__()self.conv1 = nn.Conv2d(3, 64, kernel_size=3)def forward(self, x):x = self.conv1(x)return xtest_model = test_Model()
torch.save(test_model, "test_model_method1.pth")

2.加载之前保存的模型：torch.load方法

对应两种不同的保存模型的方式，也相应地有两种加载模型的方式，第一种方式为：

读取出的模型名 = torch.load(之前保存的模型文件名)

第二种方式为：

读取出的模型名 = torchvision.models.vgg16(pretrained=False)
读取出的模型名.load_state_dict(torch.load(之前保存的模型文件名))

因为第二种方法没有保存模型结构，所以我们要先设计一个模型结构，本例中用的是直接下载VGG16模型结构；然后第二条语句用于将保存的参数值传入到模型结构中。代码如下：

import torch
from model_save import *
import torchvision
from torch import nn# 方式1-》保存方式1，加载模型
model = torch.load("vgg16_method1.pth")
# print(model)# 方式2，加载模型
vgg16 = torchvision.models.vgg16(pretrained=False)
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
# 只读取参数
# model = torch.load("vgg16_method2.pth")
# print(vgg16)# 方式1，陷阱
# class test_Model(nn.Module):
#     def __init__(self):
#         super(test_Model, self).__init__()
#         self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
#
#     def forward(self, x):
#         x = self.conv1(x)
#         return x
model = torch.load('test_model_method1.pth')
print(model)

3.对于分类问题的补充

对于图像分类、目标检测或是语义分割等各种问题而言，单靠loss曲线还无法完全表现出模型的优劣，而在图像分类问题中，我们常用acc，即在测试集上的正确率来表示模型的训练情况及优劣。

在分类问题中，例如CIFAR10中，某张图片进入模型后的输出结果是形如([0.2, 0.1, 0.4, 0.6, 0.4, 0.4, 0.7, 0.2, 0.5, 0.1])，而targets是类似(5)这样的某个整型数字，表明该图片属于第5类。那么如和将输出结果与targets之间进行计算，产生正确率呢，我们采用argmax函数，该函数会找到数组中最大值并输出最大值的序号，那么如此一来，将输出结果的最大值序号和targets相比较，如果一致则说明该图像识别正确。代码如下：

import torchoutput = torch.tensor([[0.2, 0.3],[0.1, 0.5]])
# 纵向比较
print(output.argmax(0))
# 横向比较
print(output.argmax(1))pred = output.argmax(1)
targets = torch.tensor([0, 1])
print(pred == targets)
# 输出正确的个数
print((pred == targets).sum())

注：因在验证过程中，因为不是一张图片，而是batch_size张图片验证，那么output应是二维数组，第二维的数目是batchsize个，此例中设为2个，相应的targets应是一个一维数组，数组中的每个数表示每张图对应的正确类别是哪类。另外，argmax(0)表示传入的数据纵向进行比较，在本例中是0.2和0.1比，0.3和0.5比；而argmax(1)表示传入的数据横向进行比较，在本例中是0.2和0.3比，0.1和0.5比，毫无疑问，运用在计算准确率中，我们应该使用的是argmax(1)，那么记录所有output和targets相吻合的项的和除以总项数即可获得该batch_size的准确率。

4.CPU训练完整代码

CPU训练就是之前介绍的搭建模型和应用模型相结合，内容都是之前所讲，完整代码如下：

import torchvision
from torch.utils.tensorboard import SummaryWriterfrom model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoadertrain_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),download=True)# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)# 创建网络模型
tudui = Tudui()# 损失函数
loss_fn = nn.CrossEntropyLoss()# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10# 添加tensorboard
writer = SummaryWriter("../logs_train")for i in range(epoch):print("-------第 {} 轮训练开始-------".format(i+1))# 训练步骤开始# 这句话在训练开始时调用，在有Dropout层和层起作用，在本例中可不写，但建议写，较为规范tudui.train()for data in train_dataloader:imgs, targets = dataoutputs = tudui(imgs)loss = loss_fn(outputs, targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))writer.add_scalar("train_loss", loss.item(), total_train_step)# 测试步骤开始# 这句话在测试开始时调用，在有Dropout层和层起作用，在本例中可不写，但建议写，较为规范tudui.eval()total_test_loss = 0# 整体正确个数total_accuracy = 0# 设置测试模型不改变梯度with torch.no_grad():for data in test_dataloader:imgs, targets = dataoutputs = tudui(imgs)loss = loss_fn(outputs, targets)total_test_loss = total_test_loss + loss.item()# 计算正确个数accuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracyprint("整体测试集上的Loss: {}".format(total_test_loss))print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))writer.add_scalar("test_loss", total_test_loss, total_test_step)writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)total_test_step = total_test_step + 1#此处用的模型保存方式为方式一，建议使用方式二torch.save(tudui, "tudui_{}.pth".format(i))print("模型已保存")writer.close()

5.GPU训练方法一

GPU训练大部分代码与CPU训练一致，调用GPU的方法有两种，第一种方式是在网络模型、损失函数、训练输入数据、测试输入数据四处加入自己 = 自己.cuda即可，即在不同的地方加入以下四句语句：

if torch.cuda.is_available():tudui = tudui.cuda()

if torch.cuda.is_available():loss_fn = loss_fn.cuda()

if torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()

        if torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()

        if torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()

因此第一种GPU训练的完整代码为：

import timeimport torch
import torchvision
from torch.utils.tensorboard import SummaryWriter# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoadertrain_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),download=True)# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)# 创建网络模型
class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, x):x = self.model(x)return x
tudui = Tudui()
if torch.cuda.is_available():print("成功调用GPU")tudui = tudui.cuda()# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():loss_fn = loss_fn.cuda()
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10# 添加tensorboard
writer = SummaryWriter("../logs_train")
# 记录最初时间
start_time = time.time()for i in range(epoch):print("-------第 {} 轮训练开始-------".format(i+1))# 训练步骤开始tudui.train()for data in train_dataloader:imgs, targets = dataif torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()outputs = tudui(imgs)loss = loss_fn(outputs, targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:# 记录结束时间end_time = time.time()print("每100次训练花费时间为：{}秒".format(end_time - start_time))# 重置开始时间start_time = time.time()print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))writer.add_scalar("train_loss", loss.item(), total_train_step)# 测试步骤开始tudui.eval()total_test_loss = 0total_accuracy = 0with torch.no_grad():for data in test_dataloader:imgs, targets = dataif torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()outputs = tudui(imgs)loss = loss_fn(outputs, targets)total_test_loss = total_test_loss + loss.item()accuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracyprint("整体测试集上的Loss: {}".format(total_test_loss))print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))writer.add_scalar("test_loss", total_test_loss, total_test_step)writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)total_test_step = total_test_step + 1torch.save(tudui, "tudui_{}.pth".format(i))print("模型已保存")writer.close()

6.GPU训练方法二

GPU第二种训练方式是先定义一个训练的设备，语句为device = torch.device(“cuda”)，如果有多张显卡则语句为device = torch.device(“cuda:0”)代表用第0张显卡，要调用其它显卡则将0改成其它数字，然后将训练方法一中的.cuda改为.to(device)，例如：

if torch.cuda.is_available():tudui = tudui.cuda()

则完整代码为：

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader# 定义训练的设备
device = torch.device("cuda")train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),download=True)# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)# 创建网络模型
class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, x):x = self.model(x)return x
tudui = Tudui()
tudui = tudui.to(device)# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10# 添加tensorboard
writer = SummaryWriter("../logs_train")for i in range(epoch):print("-------第 {} 轮训练开始-------".format(i+1))# 训练步骤开始tudui.train()for data in train_dataloader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = tudui(imgs)loss = loss_fn(outputs, targets)# 优化器优化模型optimizer.zero_grad()loss.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))writer.add_scalar("train_loss", loss.item(), total_train_step)# 测试步骤开始tudui.eval()total_test_loss = 0total_accuracy = 0with torch.no_grad():for data in test_dataloader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = tudui(imgs)loss = loss_fn(outputs, targets)total_test_loss = total_test_loss + loss.item()accuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracyprint("整体测试集上的Loss: {}".format(total_test_loss))print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))writer.add_scalar("test_loss", total_test_loss, total_test_step)writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)total_test_step = total_test_step + 1torch.save(tudui, "tudui_{}.pth".format(i))print("模型已保存")writer.close()

7.GPU训练过程的细节优化

首先，对于网络模型和损失函数，不需要对其重新赋值，也就是说以下代码：

tudui = tudui.to(device)
loss_fn = loss_fn.to(device)
tudui = tudui.cuda()
loss_fn = loss_fn.cuda()

可以直接写为：

tudui.to(device)
loss_fn.to(device)
tudui.cuda()
loss_fn.cuda()

但imgs和targets不能省略前面的赋值。

其次，在方法二中可能出现没有GPU或是GPU未能成功调用，所以可以将代码：

device = torch.device("cuda")

改为：

device = torch.device("cuda" if torch.cuda.isavailable() else "CPU")

如此一来，如果无法调用GPU则会调用CPU训练，而不会报错。

8.验证模型

在训练并测试完之后，如果想要验证模型，类似与测试集的操作，可对某张特定图片或某些图片进行验证，观察其输出是否正确，代码如下：

import torch
import torchvision
from PIL import Image
from torch import nnimage_path = "../imgs/airplane.png"
image = Image.open(image_path)
print(image)
# 该语句是因为不是所有类型的图片都是三通道的，通过这句代码可以将所有类型的通篇都转化成3通道
image = image.convert('RGB')
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32, 32)),torchvision.transforms.ToTensor()])image = transform(image)
print(image.shape)class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, x):x = self.model(x)return x# map_location属性是在，当保存的模型是GPU训练的，而现在我们要用CPU验证时需要添加这样一句话
model = torch.load("tudui_29_gpu.pth", map_location=torch.device('cpu'))
print(model)
image = torch.reshape(image, (1, 3, 32, 32))
model.eval()
with torch.no_grad():output = model(image)
print(output)print(output.argmax(1))

注：因为训练是我们采用是第一种方式保存模型，所有加载模型时我们需要将模型的类再写一次，或者调用定义了模型类的文件；另外注意image = image.convert(‘RGB’)将各种不同的图片转化为三通道；最后注意如果保存的模型是GPU训练的，而现在我们要用CPU验证时需要添加这样一句话model = torch.load(“tudui_29_gpu.pth”, map_location=torch.device(‘cpu’))。

Pytorch应用训练好的模型相关推荐

Pytorch完成基础的模型-线性回归
Pytorch完成基础的模型-线性回归 1. Pytorch完成模型常用API 在前一部分博文中,实现了通过torch的相关方法完成反向传播和参数更新,在pytorch中预设了一些更加灵活简单的对象, ...
PyTorch | 保存和加载模型教程
点击上方"算法猿的成长",选择"加为星标" 第一时间关注 AI 和 Python 知识图片来自 Unsplash,作者: Jenny Caywood 2019 ...
动手学深度学习(PyTorch实现)(七)--LeNet模型
LeNet模型 1. LeNet模型 2. PyTorch实现 2.1 模型实现 2.2 获取数据与训练 1. LeNet模型 LeNet分为卷积层块和全连接层块两个部分.下面我们分别介绍这两个模块. ...
Pytorch搭建自己的模型
前言 PyTorch.TensorFlow都是主流的深度学习框架,今天主要讲解一下如何快速使用pytorch搭建自己的模型.至于为什么选择讲解pytorch,这里我就简单说明一下自己的使用感受(相对T ...
速成pytorch学习——7天模型层layers
深度学习模型一般由各种模型层组合而成. torch.nn中内置了非常丰富的各种模型层.它们都属于nn.Module的子类,具备参数管理功能. 例如: nn.Linear, nn.Flatten, nn ...
pytorch多卡并行模型的保存与载入
pytorch多卡并行模型的保存与载入当模型是在数据并行方式在多卡上进行训练的训练和保存,那么载入的时候也是一样需要是多卡.并且,load_state_dict()函数的调用要放在DataParal ...
PyTorch的生态和模型部署
PyTorch的生态和模型部署 1. PyTorch生态前几章,我们学习了PyTorch的基本使用.能够定义和修改自己的模型.常用的训练技巧和PyTorch的可视化. PyTorch的强大,跟PyT ...
PyTorch参数模型转换为PT模型
当PyTorch模型需要部署到服务时,为了提升访问速度,需要转换为TRT模型,再进行部署.在转换为TRT模型之前,需要将PyTorch参数模型(如pth.tar)转换为pt模型,使用jit形式.pt模 ...
pytorch从hdfs载入模型、从二进制字符串载入模型
1,问题描述离线用torch训练了一个简单的双塔模型,存到了hdfs上,希望可以在spark离线任务中使用.但spark离线任务要载入这个模型,就无法像pytorch官方的模型载入方式(这里:tor ...

Pytorch应用训练好的模型

Pytorch应用训练好的模型

1.保存训练好的模型：torch.save方法

2.加载之前保存的模型：torch.load方法

3.对于分类问题的补充

4.CPU训练完整代码

5.GPU训练方法一

6.GPU训练方法二

7.GPU训练过程的细节优化

8.验证模型

Pytorch应用训练好的模型相关推荐

最新文章

热门文章