PyTorch - Introduction 简介

• 

  简述

  Convents 就是从头开始构建 CNN 模型。网络架构将包含以下步骤的组合 -

  • Conv2d
  • 最大池2d
  • 整流线性单元
  • 视图
  • 线性层
• 

  训练模型

  训练模型的过程与图像分类问题相同。以下代码片段在提供的数据集上完成了训练模型的过程 -

  
  def fit(epoch,model,data_loader,phase 
  = 'training',volatile = False):
     if phase == 'training':
        model.train()
     if phase == 'training':
        model.train()
     if phase == 'validation':
        model.eval()
     volatile=True
     running_loss = 0.0
     running_correct = 0
     for batch_idx , (data,target) in enumerate(data_loader):
        if is_cuda:
           data,target = data.cuda(),target.cuda()
           data , target = Variable(data,volatile),Variable(target)
        if phase == 'training':
           optimizer.zero_grad()
           output = model(data)
           loss = F.nll_loss(output,target)
           running_loss + = 
           F.nll_loss(output,target,size_average = 
           False).data[0]
           preds = output.data.max(dim = 1,keepdim = True)[1]
           running_correct + = 
           preds.eq(target.data.view_as(preds)).cpu().sum()
           if phase == 'training':
              loss.backward()
              optimizer.step()
     loss = running_loss/len(data_loader.dataset)
     accuracy = 100. * running_correct/len(data_loader.dataset)
     print(f'{phase} loss is {loss:{5}.{2}} and {phase} accuracy is {running_correct}/{len(data_loader.dataset)}{accuracy:{return loss,accuracy}})
  

  复制

  该方法包括用于训练和验证的不同逻辑。使用不同模式有两个主要原因 -

  • 在训练模式下，dropout 会删除一定百分比的值，这在验证或测试阶段不应该发生。
  • 对于训练模式，我们计算梯度并更改模型的参数值，但在测试或验证阶段不需要反向传播。