pytorch 训练过程acc_pytorch入门练手：一个简单的CNN模型

由于新型冠状肺炎疫情一直没能开学，在家自己学习了一下pytorch，本来说按着官网的60分钟教程过一遍的，但是CIFAR-10数据库的下载速度太慢了……

这台电脑里也没有现成的数据库，想起之前画了一些粒子的动量分量分布图，干脆拿来用了，也没期待它能表现得多好，主要图一个练手。（事实证明它表现相当差，不过这也在意料之中）

那么开始。

import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt import numpy as np from PIL import Image import torch.nn as nn import torch.nn.functional as F import torch.optim as optim

接下来定义读取和处理图片的函数，图片尺寸是432x288，把它切成中间的288x288，再缩小成32x32。这样的处理单纯是为了让模型训练得快一点，毕竟这次练手本身的目的不是训练一个高精度的模型，而是训练一个模型。（而且话说回来这电脑也莫得英伟达高性能图形处理器，（笑））

这里其实两个函数写成一个就行，但是我懒得改了。

PATH = '/Users/huangyige/Downloads/fig/'def load_img(imgname):#here, only consider pion at 7.7 and 14.5 GeV, px.img = Image.open(imgname).convert('RGB')return imgdef process_img(img):img = img.crop((72,0,360,288))img = img.resize((32,32))return img

然后随意拉张图进来看看。

img = load_img(PATH+'Pion-7.7GeV-7-P1.png') img = process_img(img) plt.imshow(img)

只能隐约能看出来有两个峰2333333，这样的数据集能训练出来个鬼咯～

然后生成两个数据集的文件名列表（附带标签）的文档。

def generate_file(name,num_range):with open('./'+name+'.txt','w') as f:for energy in ['7.7','14.5']:for _ in num_range:imgname = PATH + 'Pion-' + energy + 'GeV-' + str(_+1) + '-P1.png'f.write(imgname+' '+energy+'n')return generate_file('train',range(0,70)) generate_file('test',range(70,90))

就别问我为什么训练集就70张图，测试集就20张图了，只有这么点数据……可以打开文档看看效果。

差不多就这样，没什么问题。接下来定义自定义Dataset类。

class sets(torch.utils.data.Dataset):def __init__(self,datatxt,transform=None):super(sets,self).__init__()imgs = []with open(datatxt,'r') as f:for line in f:line = line.rstrip('n')words = line.split(' ')imgs.append((words[0],words[1]))self.imgs = imgsself.transform = transformreturndef __getitem__(self,index):imgname,label_o = self.imgs[index]img = load_img(imgname)img = process_img(img)if label_o == '7.7':label = 0else:label = 1if self.transform is not None:img = self.transform(img)return img,labeldef __len__(self):return len(self.imgs)

以及DataLoader。

train_set = sets('./train.txt',transforms.ToTensor()) test_set = sets('./test.txt',transforms.ToTensor())train_loader = torch.utils.data.DataLoader(dataset=train_set,batch_size=1,shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_set,batch_size=1)

batch_size选1是不是很扯，哈哈哈我也这么觉得。如果需要做数据增强，在初始化sets时，transform参数用transforms.Compose[transforms.ToTensor(),...]这样多填几个就行了。

然后是模型的结构。

class Net(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)self.fc3 = nn.Linear(84,2)returndef forward(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 xnet = Net()

直接把pytorch官网的tutorial里CIFAR-10的模型拉出来用了，正好我已经把数据变成了32x32，参数都不用改。（修改：最后一个全链接层的神经元数应该是2而不是10，还是得改一下的）

选损失函数和优化器。

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

pytorch没有现成的算accuracy的函数所以自己写一个。

def accuracy(net,test_loder):correct = 0total = 0with torch.no_grad():for data in test_loader:inputs,labels = dataoutputs = net(inputs)_,pred = torch.max(outputs.data,1)total += labels.size(0)correct += (pred==labels).sum().item()acc = 100.0*correct/totalreturn acc

然后就可以开始训练了，本来也只是个玩具模型，所以2代就够了。不得不插一嘴，keras用起来确实要方便一点。

for epoch in range(2):running_loss = 0.0for i,data in enumerate(train_loader,0):inputs,labels = dataoptimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs,labels)loss.backward()optimizer.step()running_loss += loss.item()acc = accuracy(net,test_loader)print('r[epoch %d >%3.d<] loss:%.3f,acc:%.1f%%'%(epoch+1,i+1,loss,acc),end='')print('') print('Done!')

看看效果：

精度精准地锁定在50%，也就是说这模型在纯猜～whatever，这次练手主要是熟悉pytorch怎么用，模型本身的质量不重要。

最后保存一下模型：

torch.save(net.state_dict(),'./model.pth')

想开学啊啊啊啊啊……

总结

以上是生活随笔为你收集整理的pytorch 训练过程acc_pytorch入门练手：一个简单的CNN模型的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。