标签：dev 模型 反向 apt saving module float bat turn
from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()#调用父类的构造方法
self.conv1 = nn.Conv2d(1, 32, 3, 1)#输入1个channel,输出32个channels,kernel_size=3,stride(步长）=1
self.conv2 = nn.Conv2d(32, 64, 3, 1)#再变成64channels
self.dropout1 = nn.Dropout2d(0.25)#以0.25的概率dropout
self.dropout2 = nn.Dropout2d(0.5)
self.fc1 = nn.Linear(9216, 128)#9216->128
self.fc2 = nn.Linear(128, 10)
#定义网络各层
def forward(self, x):
x = self.conv1(x)
#线性整流函数（Rectified Linear Unit, ReLU）是一个激活函数，这是当成一层了
#卷积神经网络中，若不采用非线性激活，会导致神经网络只能拟合线性可分的数据，因此通常会在卷积操作后，添加非线性激活单元，其中包括logistic-sigmoid、tanh-sigmoid、ReLU等。
x = F.relu(x)
x = self.conv2(x)
x = F.max_pool2d(x, 2)
x = self.dropout1(x)
x = torch.flatten(x, 1)
x = self.fc1(x)
x = F.relu(x)
x = self.dropout2(x)
x = self.fc2(x)
output = F.log_softmax(x, dim=1)
return output
def train(args, model, device, train_loader, optimizer, epoch):
model.train()
#这是两种模式
#model.train() ：启用 BatchNormalization 和 Dropout
#model.eval() ：不启用 BatchNormalization 和 Dropout
#model.eval()，pytorch会自动把BN和DropOut固定住，不会取平均，而是用训练好的值。
# 不然的话，一旦test的batch_size过小，很容易就会被BN层导致生成图片颜色失真极大；在模型测试阶段使用
#trainloader对每一个batch加了id
for batch_idx, (data, target) in enumerate(train_loader):
#读入数据到device中，之后就用新的变量表示就可，对程序不影响（物理层和应用层）
data, target = data.to(device), target.to(device)
optimizer.zero_grad()#初始化优化器参数
output = model(data)
loss = F.nll_loss(output, target)#计算loss
loss.backward()#反向传播，计算梯度和
optimizer.step()#调整参数。
#上面的方法都是共享一个参数空间的，所以不需要传递参数
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
def test(args, model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += F.nll_loss(output, target, reduction='sum').item() # sum up batch loss
pred = output.argmax(dim=1, keepdim=True) # get the index of the max log-probability
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
def main():
# Training settings
#都是可选参数，是为了调参用的
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')#加上参数描述，在--help中输出
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=14, metavar='N',
help='number of epochs to train (default: 14)')
parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
help='learning rate (default: 1.0)')
parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
help='Learning rate step gamma (default: 0.7)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
parser.add_argument('--save-model', action='store_true', default=False,
help='For Saving the current Model')
args = parser.parse_args()#获取参数，从这里就可以开始调用这些参数了。没有输入也没有设置默认值的就是null,用在布尔表达式里面也可以表示false
use_cuda = not args.no_cuda and torch.cuda.is_available()#有cuda并且没设置参数说不用才用cuda
torch.manual_seed(args.seed)#设置随机种子，以便于生成随机数
device = torch.device("cuda" if use_cuda else "cpu")#决定用cpu还是GPU
kwargs = {'num_workers': 1, 'pin_memory': True} if use_cuda else {}
#载入训练集
train_loader = torch.utils.data.DataLoader(
#torchvision下的datasets模块，如果没发现本地有这个包就下载
datasets.MNIST('../data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),#输出tensor类型
transforms.Normalize((0.1307,), (0.3081,))#do normalize
])),
batch_size=args.batch_size, shuffle=True, **kwargs)#一次读多少
#载入测试集
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=args.test_batch_size, shuffle=True, **kwargs)
#将模型读入device
model = Net().to(device)
#设置优化器，这里使用的是Adagrad优化方法(Adaptive Gradient)
optimizer = optim.Adadelta(model.parameters(), lr=args.lr)
#等间隔调整学习率 StepLR
#等间隔调整学习率，调整倍数为 gamma 倍，调整间隔为 step_size。间隔单位是step。需要注意的是， step 通常是指 epoch，不要弄成 iteration 了。
scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
for epoch in range(1, args.epochs + 1):#迭代次数
train(args, model, device, train_loader, optimizer, epoch)
test(args, model, device, test_loader)
scheduler.step()#每次迭代之后调整学习率
if args.save_model:#保存模型
torch.save(model.state_dict(), "mnist_cnn.pt")
if __name__ == '__main__':
main()Pytorch学习之源码理解：pytorch/examples/mnists
标签：dev 模型 反向 apt saving module float bat turn
原文地址：https://www.cnblogs.com/jiading/p/11946408.html
