TensorBoard（代码注释有一些对梯度计算，优化器，学习率，反向传播，损失这些基础概念的理解）
发布时间：2023年12月20日
1. 详细说明? ?进入pytorch官网-Tutorials-找到visuallizing Models,Data,and Training with TensorBoard.
tensorboard我的理解就是一个用来保存查看训练过程参数，训练情况的库，可以根据可视化的界面，理解模型的训练优化过程，并且可以利用得到的信息进行优化模型。
2. torch.utils.tensorboard.SummaryWriter("保存路径")，这里我运行在指定文件夹下有四个文件，应该是存的以下四种数据：
? ? ? ? add_graph()? 模型示意图
? ? ? ? add_scalar() 折线图
? ? ? ? add_figure() 预测图片在每一轮epoch的预测情况
? ? ? ? add_histogram()? 参数数量的直方图
3. 具体见代码和截图，打开tensorboard方法：进入命令行，激活相应环境（一定要进入相关环境才能用tensorboard.exe指令），进入SummaryWriter("保存路径")里的路径文件夹前一个文件夹，输入命令：
因为默认只显示10个epoch的预测情况，设置为50，才能显示完全。
tensorboard.exe --logdir=./ --samples_per_plugin=images=50 ? ??
训练完整代码：? 很多内容都在代码的注释里
train.py
import os
import math
import argparse
import torch
import torch.optim as optim
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
import torch.optim.lr_scheduler as lr_scheduler
from model import resnet34
from my_dataset import MyDataSet
from data_utils import read_split_data, plot_class_preds
from train_eval_utils import train_one_epoch, evaluate
def main(args):
device = torch.device(args.device if torch.cuda.is_available() else "cpu")
print(args)
print('Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/')
# 实例化SummaryWriter对象,log_dir是写入的目录
tb_writer = SummaryWriter(log_dir="runs/flower_experiment")
if os.path.exists("./weights") is False:
os.makedirs("./weights")
# 划分数据为训练集和验证集，训练集图片路径列表，对应训练集图片标签(这个标签是索引)
train_images_path, train_images_label, val_images_path, val_images_label = read_split_data(args.data_path)
# 定义训练以及预测时的预处理方法
data_transform = {
"train": transforms.Compose([transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
"val": transforms.Compose([transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}
# 实例化训练数据集
train_data_set = MyDataSet(images_path=train_images_path,
images_class=train_images_label,
transform=data_transform["train"])
# 实例化验证数据集
val_data_set = MyDataSet(images_path=val_images_path,
images_class=val_images_label,
transform=data_transform["val"])
batch_size = args.batch_size
# 计算使用num_workers的数量 os.cpu_count() 是一个函数，用于获取系统中可用的 CPU 核心数量。
nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8]) # number of workers
print('Using {} dataloader workers every process'.format(nw))
train_loader = torch.utils.data.DataLoader(train_data_set,
batch_size=batch_size,
shuffle=True,
pin_memory=True, # 提高数据加载的效率
num_workers=nw,
collate_fn=train_data_set.collate_fn)
val_loader = torch.utils.data.DataLoader(val_data_set,
batch_size=batch_size,
shuffle=False,
pin_memory=True,
num_workers=nw,
collate_fn=val_data_set.collate_fn)
# 实例化模型
model = resnet34(num_classes=args.num_classes).to(device)
# 将模型写入tensorboard, 用一个数据+模型就可以把模型写入tensorboatd
init_img = torch.zeros((1, 3, 224, 224), device=device)
tb_writer.add_graph(model, init_img)
# 如果存在预训练权重则载入
if os.path.exists(args.weights):
weights_dict = torch.load(args.weights, map_location=device)
load_weights_dict = {k: v for k, v in weights_dict.items()
# model.state_dict()[k].numel() 获取模型名k对应的参数的数量
if model.state_dict()[k].numel() == v.numel()}
model.load_state_dict(load_weights_dict, strict=False)
else:
print("not using pretrain-weights.")
# 是否冻结权重
if args.freeze_layers:
print("freeze layers except fc layer.")
# model.named_parameters() 都是nn.Module里的方法，获取结构名和参数，
for name, para in model.named_parameters():
# 除最后的全连接层外，其他权重全部冻结
if "fc" not in name:
para.requires_grad_(False)
# model.parameters() 获取需要训练的模型参数，p.requires_grad=True即需要梯度信息
pg = [p for p in model.parameters() if p.requires_grad]
# 学习率的动量参数，权重衰减系数定义参数优化器
optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)
# Scheduler https://arxiv.org/pdf/1812.01187.pdf
# 定义学习率调度器
lf = lambda x: ((1 + math.cos(x * math.pi / args.epochs)) / 2) * (1 - args.lrf) + args.lrf # cosine
# 将学习率调度器与优化器绑定，使得优化器能够根据学习率调度器的结果来更新学习率
scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)
for epoch in range(args.epochs):
# train
mean_loss = train_one_epoch(model=model,
optimizer=optimizer,
data_loader=train_loader,
device=device,
epoch=epoch)
# update learning rate
# 每训练一个epoch，学习率进行一次更新，以便优化器根据新的学习率优化下一次epoch里的每个step的数据
scheduler.step()
# validate
acc = evaluate(model=model,
data_loader=val_loader,
device=device)
# add loss, acc and lr into tensorboard
print("[epoch {}] accuracy: {}".format(epoch, round(acc, 3)))
# 写入器 tb_writer 每个epoch写入一次，
# 可以在 TensorBoard 的界面中查看、比较和分析标量值的变化趋势，帮助理解和监控训练过程中的指标。
tags = ["train_loss", "accuracy", "learning_rate"]
tb_writer.add_scalar(tags[0], mean_loss, epoch)
tb_writer.add_scalar(tags[1], acc, epoch)
tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)
# add figure into tensorboard
# 用每个epoch的权重预测一遍
fig = plot_class_preds(net=model,
images_dir="./plot_img",
transform=data_transform["val"],
num_plot=5,
device=device)
if fig is not None:
tb_writer.add_figure("predictions vs. actuals",
figure=fig,
global_step=epoch)
# add conv1 weights into tensorboard 两个直方图
tb_writer.add_histogram(tag="conv1",
values=model.conv1.weight,
global_step=epoch)
tb_writer.add_histogram(tag="layer1/block0/conv1",
values=model.layer1[0].conv1.weight,
global_step=epoch)
# save weights
torch.save(model.state_dict(), "./weights/model-{}.pth".format(epoch))
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--num_classes', type=int, default=5)
parser.add_argument('--epochs', type=int, default=30)
parser.add_argument('--batch-size', type=int, default=16)
# 学习率，控制参数更新步长的超参数
parser.add_argument('--lr', type=float, default=0.001)
parser.add_argument('--lrf', type=float, default=0.1)
# 数据集所在根目录
# https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
img_root = "../../data_set/flower_data/flower_photos"
parser.add_argument('--data-path', type=str, default=img_root)
# resnet34 官方权重下载地址
# https://download.pytorch.org/models/resnet34-333f7ec4.pth
# parser.add_argument('--weights', type=str, default='resNet34.pth',
# help='initial weights path')
# 这个不用预训练权重，用预训练权重tensorboard上训练曲线效果不明显
parser.add_argument('--weights', type=str, default='',
help='initial weights path')
# freeze-layers 是否冻结除全连接层外的其他层
parser.add_argument('--freeze-layers', type=bool, default=False)
parser.add_argument('--device', default='cuda', help='device id (i.e. 0 or 0,1 or cpu)')
# parse_args() 用于解析命令行参数，返回一个包含解析结果的命名空间对象，可以通过属性访问这些参数的值
# 在命令行运行脚本时可以通过传递相应的选项和参数来解析
opt = parser.parse_args()
main(opt)
mdoel.py
import torch.nn as nn
import torch
class BasicBlock(nn.Module):
expansion = 1
def __init__(self, in_channel, out_channel, stride=1, downsample=None):
super(BasicBlock, self).__init__()
self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
kernel_size=3, stride=stride, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(out_channel)
self.relu = nn.ReLU()
self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel,
kernel_size=3, stride=1, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(out_channel)
self.downsample = downsample
def forward(self, x):
identity = x
if self.downsample is not None:
identity = self.downsample(x)
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
out += identity
out = self.relu(out)
return out
class Bottleneck(nn.Module):
expansion = 4
def __init__(self, in_channel, out_channel, stride=1, downsample=None):
super(Bottleneck, self).__init__()
self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
kernel_size=1, stride=1, bias=False) # squeeze channels
self.bn1 = nn.BatchNorm2d(out_channel)
# -----------------------------------------
self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel,
kernel_size=3, stride=stride, bias=False, padding=1)
self.bn2 = nn.BatchNorm2d(out_channel)
# -----------------------------------------
self.conv3 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel*self.expansion,
kernel_size=1, stride=1, bias=False) # unsqueeze channels
self.bn3 = nn.BatchNorm2d(out_channel*self.expansion)
self.relu = nn.ReLU(inplace=True)
self.downsample = downsample
def forward(self, x):
identity = x
if self.downsample is not None:
identity = self.downsample(x)
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
out = self.relu(out)
out = self.conv3(out)
out = self.bn3(out)
out += identity
out = self.relu(out)
return out
class ResNet(nn.Module):
def __init__(self, block, blocks_num, num_classes=1000, include_top=True):
super(ResNet, self).__init__()
self.include_top = include_top
self.in_channel = 64
self.conv1 = nn.Conv2d(3, self.in_channel, kernel_size=7, stride=2,
padding=3, bias=False)
self.bn1 = nn.BatchNorm2d(self.in_channel)
self.relu = nn.ReLU(inplace=True)
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
self.layer1 = self._make_layer(block, 64, blocks_num[0])
self.layer2 = self._make_layer(block, 128, blocks_num[1], stride=2)
self.layer3 = self._make_layer(block, 256, blocks_num[2], stride=2)
self.layer4 = self._make_layer(block, 512, blocks_num[3], stride=2)
if self.include_top:
self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) # output size = (1, 1)
self.fc = nn.Linear(512 * block.expansion, num_classes)
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
def _make_layer(self, block, channel, block_num, stride=1):
downsample = None
if stride != 1 or self.in_channel != channel * block.expansion:
downsample = nn.Sequential(
nn.Conv2d(self.in_channel, channel * block.expansion, kernel_size=1, stride=stride, bias=False),
nn.BatchNorm2d(channel * block.expansion))
layers = []
layers.append(block(self.in_channel, channel, downsample=downsample, stride=stride))
self.in_channel = channel * block.expansion
for _ in range(1, block_num):
layers.append(block(self.in_channel, channel))
return nn.Sequential(*layers)
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.maxpool(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
if self.include_top:
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.fc(x)
return x
def resnet34(num_classes=1000, include_top=True):
return ResNet(BasicBlock, [3, 4, 6, 3], num_classes=num_classes, include_top=include_top)
def resnet101(num_classes=1000, include_top=True):
return ResNet(Bottleneck, [3, 4, 23, 3], num_classes=num_classes, include_top=include_top)
my_dataset.py
from tqdm import tqdm
from PIL import Image
import torch
from torch.utils.data import Dataset
class MyDataSet(Dataset):
"""自定义数据集"""
def __init__(self, images_path: list, images_class: list, transform=None):
self.images_path = images_path
self.images_class = images_class
self.transform = transform
delete_img = []
for index, img_path in tqdm(enumerate(images_path)):
img = Image.open(img_path)
w, h = img.size
ratio = w / h
if ratio > 10 or ratio < 0.1:
delete_img.append(index)
# print(img_path, ratio)
for index in delete_img[::-1]:
self.images_path.pop(index)
self.images_class.pop(index)
def __len__(self):
return len(self.images_path)
def __getitem__(self, item):
img = Image.open(self.images_path[item])
# RGB为彩色图片，L为灰度图片
if img.mode != 'RGB':
raise ValueError("image: {} isn't RGB mode.".format(self.images_path[item]))
label = self.images_class[item]
if self.transform is not None:
img = self.transform(img)
return img, label
@staticmethod
def collate_fn(batch):
# 官方实现的default_collate可以参考
# https://github.com/pytorch/pytorch/blob/67b7e751e6b5931a9f45274653f4f653a4e6cdf6/torch/utils/data/_utils/collate.py
images, labels = tuple(zip(*batch))
images = torch.stack(images, dim=0)
labels = torch.as_tensor(labels)
return images, labels
data_utils.py
import os
import json
import pickle
import random
from PIL import Image
import torch
import numpy as np
import matplotlib.pyplot as plt
def read_split_data(root: str, val_rate: float = 0.2):
random.seed(0) # 保证随机结果可复现
assert os.path.exists(root), "dataset root: {} does not exist.".format(root)
# 遍历文件夹，一个文件夹对应一个类别
flower_class = [cla for cla in os.listdir(root) if os.path.isdir(os.path.join(root, cla))]
# 排序，保证顺序一致，列表排序
flower_class.sort()
# 生成类别名称以及对应的数字索引 {"daisy":0,"dandelion":1,"roses":2,"sunflowers":3,"tulips":4}
class_indices = dict((k, v) for v, k in enumerate(flower_class))
json_str = json.dumps(dict((val, key) for key, val in class_indices.items()), indent=4)
with open('class_indices.json', 'w') as json_file:
json_file.write(json_str)
train_images_path = [] # 存储训练集的所有图片路径
train_images_label = [] # 存储训练集图片对应索引信息
val_images_path = [] # 存储验证集的所有图片路径
val_images_label = [] # 存储验证集图片对应索引信息
every_class_num = [] # 存储每个类别的样本总数
supported = [".jpg", ".JPG", ".png", ".PNG"] # 支持的文件后缀类型
# 遍历每个文件夹下的文件
for cla in flower_class:
cla_path = os.path.join(root, cla)
# 遍历获取supported支持的所有文件路径,os.path.join()可以拼接若干个字符串
images = [os.path.join(root, cla, i) for i in os.listdir(cla_path)
if os.path.splitext(i)[-1] in supported]
# 获取该类别对应的索引
image_class = class_indices[cla]
# 记录该类别的样本数量
every_class_num.append(len(images))
# 按比例随机采样验证样本
val_path = random.sample(images, k=int(len(images) * val_rate))
for img_path in images:
if img_path in val_path: # 如果该路径在采样的验证集样本中则存入验证集
val_images_path.append(img_path) # 验证图片的路径列表
val_images_label.append(image_class) # 验证图片对应的标签列表
else: # 否则存入训练集
train_images_path.append(img_path)
train_images_label.append(image_class)
print("{} images were found in the dataset.".format(sum(every_class_num)))
print("{} images for training.".format(len(train_images_path)))
print("{} images for validation.".format(len(val_images_path)))
plot_image = False
if plot_image:
# 绘制每种类别个数柱状图
plt.bar(range(len(flower_class)), every_class_num, align='center')
# 将横坐标0,1,2,3,4替换为相应的类别名称
plt.xticks(range(len(flower_class)), flower_class)
# 在柱状图上添加数值标签
for i, v in enumerate(every_class_num):
plt.text(x=i, y=v + 5, s=str(v), ha='center')
# 设置x坐标
plt.xlabel('image class')
# 设置y坐标
plt.ylabel('number of images')
# 设置柱状图的标题
plt.title('flower class distribution')
plt.show()
return train_images_path, train_images_label, val_images_path, val_images_label
def plot_data_loader_image(data_loader):
batch_size = data_loader.batch_size
plot_num = min(batch_size, 4)
json_path = './class_indices.json'
assert os.path.exists(json_path), json_path + " does not exist."
json_file = open(json_path, 'r')
class_indices = json.load(json_file)
for data in data_loader:
images, labels = data
for i in range(plot_num):
# [C, H, W] -> [H, W, C]
img = images[i].numpy().transpose(1, 2, 0)
# 反Normalize操作
img = (img * [0.229, 0.224, 0.225] + [0.485, 0.456, 0.406]) * 255
label = labels[i].item()
plt.subplot(1, plot_num, i+1)
plt.xlabel(class_indices[str(label)])
plt.xticks([]) # 去掉x轴的刻度
plt.yticks([]) # 去掉y轴的刻度
plt.imshow(img.astype('uint8'))
plt.show()
def write_pickle(list_info: list, file_name: str):
with open(file_name, 'wb') as f:
pickle.dump(list_info, f)
def read_pickle(file_name: str) -> list:
with open(file_name, 'rb') as f:
info_list = pickle.load(f)
return info_list
def plot_class_preds(net,
images_dir: str,
transform,
num_plot: int = 5,
device="cpu"):
if not os.path.exists(images_dir):
print("not found {} path, ignore add figure.".format(images_dir))
return None
label_path = os.path.join(images_dir, "label.txt")
if not os.path.exists(label_path):
print("not found {} file, ignore add figure".format(label_path))
return None
# read class_indict
json_label_path = './class_indices.json'
assert os.path.exists(json_label_path), "not found {}".format(json_label_path)
json_file = open(json_label_path, 'r')
# {"0": "daisy"} json.load（） 返回一个json文件里的字典
flower_class = json.load(json_file)
# {"daisy": "0"}
class_indices = dict((v, k) for k, v in flower_class.items())
# reading label.txt file
label_info = []
with open(label_path, "r") as rd:
for line in rd.readlines():
line = line.strip()
if len(line) > 0:
# 读取到的txt里的一行以空格分格，返回一个这行元素的列表
split_info = [i for i in line.split(" ") if len(i) > 0]
# 这行元素生成的列表一定是两个元素，一个是图片名，一个是类别名称
assert len(split_info) == 2, "label format error, expect file_name and class_name"
image_name, class_name = split_info
image_path = os.path.join(images_dir, image_name)
# 如果文件不存在，则跳过
if not os.path.exists(image_path):
print("not found {}, skip.".format(image_path))
continue
# 如果读取的类别不在给定的类别内，则跳过
if class_name not in class_indices.keys():
print("unrecognized category {}, skip".format(class_name))
continue
# label_info 是获取到的图片名和对应类型的二维列表，因为把每行的两个元素都加进去了
label_info.append([image_path, class_name])
if len(label_info) == 0:
return None
# get first num_plot info num_plot是画预测图的数量限制，如果txt文件过多，只取前num_plot个
if len(label_info) > num_plot:
label_info = label_info[:num_plot]
num_imgs = len(label_info)
images = []
labels = []
for img_path, class_name in label_info:
# read img
img = Image.open(img_path).convert("RGB")
label_index = int(class_indices[class_name])
# preprocessing
img = transform(img)
images.append(img)
labels.append(label_index)
# batching images 添加维度，把要预测的经过预处理后的图片张量打包成一批，生成images张量
images = torch.stack(images, dim=0).to(device)
# inference
with torch.no_grad():
# output: [batch_pred,num_cls]
output = net(images)
# softmax 函数常用于将模型输出转换为概率分布，用于多分类任务的概率预测
# torch.softmax(output, dim=1) 将在维度 dim=1 上计算张量 output 的 softmax 函数值。
# 这意味着将对 output 张量中的每一行应用 softmax 函数，并返回具有相同形状的张量，其中每一行的元素之和等于 1
# torch.softmax(output, dim=1)返回一个具有相同形状的张量。
# torch.max() 函数在这个 softmax 张量上再次使用 dim=1，来获取每一行的最大值和最大值的索引
# 这个索引就是预测类别preds，probs长是预测batch的一维张量，preds长也是预测batch的一维张量，batch就是batch_pred
# 一个batch有多少张图片，预测矩阵张量就有多少行，预测的有多少类，就有多少列
probs, preds = torch.max(torch.softmax(output, dim=1), dim=1)
# 通过调用 cpu() 方法，将它们从 GPU 设备上移动到 CPU 设备上。
"""
为什么要移动到cpu上？
数据后处理：有时候，在模型的输出上需要进行一些后处理操作，例如计算指标、可视化结果或保存结果到磁盘。
这些操作通常在 CPU 上执行，因为 CPU 上的计算能力足够处理这些任务。
与其他库的兼容性：某些库或工具可能对 CPU 上的数据更加友好，而不是 GPU 上的数据。
例如，一些常用的数据处理、可视化或存储库可能更容易与 CPU 上的数据进行交互，所以需要将 GPU 上的数据转换为 CPU 上的数据。
内存限制：在处理大规模数据集或模型时，GPU 的显存可能会受到限制。
如果计算结果的大小超过 GPU 的显存容量，那么需要将其移动到 CPU 上进行处理。
模型部署：在将训练好的模型部署到生产环境中时，可能需要将模型的输出从 GPU 移动到 CPU 上，
因为生产环境通常没有 GPU 或者 GPU 的数量有限。
"""
probs = probs.cpu().numpy()
preds = preds.cpu().numpy()
# width, height 每张图片显示宽是250，高是300，共num_imgs张图片
fig = plt.figure(figsize=(num_imgs * 2.5, 3), dpi=100)
for i in range(num_imgs):
# 1：子图共1行，num_imgs:子图共num_imgs列，当前绘制第i+1个子图 xticks=[], yticks=[]清空坐标刻度
ax = fig.add_subplot(1, num_imgs, i+1, xticks=[], yticks=[])
# CHW -> HWC
npimg = images[i].cpu().numpy().transpose(1, 2, 0)
# 将图像还原至标准化之前
# mean:[0.485, 0.456, 0.406], std:[0.229, 0.224, 0.225]
npimg = (npimg * [0.229, 0.224, 0.225] + [0.485, 0.456, 0.406]) * 255
plt.imshow(npimg.astype('uint8'))
title = "{}, {:.2f}%\n(label: {})".format(
flower_class[str(preds[i])], # predict class
probs[i] * 100, # predict probability
flower_class[str(labels[i])] # true class
)
ax.set_title(title, color=("green" if preds[i] == labels[i] else "red"))
return fig
train_eval_utils.py
import sys
from tqdm import tqdm
import torch
def train_one_epoch(model, optimizer, data_loader, device, epoch):
"""
在深度学习中，model.train()是一个用于设置模型为训练模式的方法。调用该方法后，模型会进行以下操作：
激活训练模式：设置模型的train属性为True，表示将进入训练模式。这是为了告诉模型在训练期间需要执行训练相关的操作，例如启用Dropout和Batch Normalization层的训练行为。
梯度计算：启用梯度计算，以便在反向传播过程中计算和累积参数的梯度。这是为了在训练过程中更新模型的权重和偏置。
批归一化更新：在训练模式下，批归一化层会根据当前批次的输入数据更新其内部统计信息，例如均值和方差。这是为了保证每个批次的数据都能够获得相对一致的归一化效果。
Dropout激活：在训练模式下，Dropout层将以一定的概率随机丢弃部分神经元的输出。这有助于提高模型的泛化能力和防止过拟合。
总的来说，model.train()方法的调用是为了将模型设置为训练模式，以便进行参数更新和训练相关的操作。
要先在反向传播里计算参数的梯度，才有用优化器根据学习率调度规则来优化训练的参数
"""
model.train()
loss_function = torch.nn.CrossEntropyLoss()
# 用于累积每个批次的损失值
mean_loss = torch.zeros(1).to(device)
# 使用optimizer.zero_grad()将优化器中的梯度信息清零。这是为了确保在每个批次开始时，梯度不会累积之前的批次的梯度信息。
optimizer.zero_grad()
# 将 data_loader 中的迭代过程包装在一个进度条中，并将进度信息输出到标准输出（stdout）
data_loader = tqdm(data_loader, file=sys.stdout)
for step, data in enumerate(data_loader):
images, labels = data
pred = model(images.to(device))
"""
softmax 归一化处理，确保每个样本的预测概率之和等于1。这样做是为了将预测输出转换为概率分布，使其表示模型对每个类别的预测概率。
"""
# 具体损失函数做了什么，pred是一个 batch_size * num_cls 的二维张量
# labels是一个存有类别索引的 长度为 batch_size 的一维张量
# 交叉熵损失函数先把labels根据索引类别变成 batch_size * num_cls 的二维独热编码张量
# 然后根据真实标签的概率和预测的相应位置上的概率计算损失
# 最后，对这些交叉熵值进行平均或求和操作，得到一个表示整个批次的损失值
# 通常情况下，我们会将这个损失值作为模型在当前批次数据上的损失。
loss = loss_function(pred, labels.to(device))
# 损失的反向传播
"""
backward() 方法的作用是计算损失函数关于模型参数的梯度。具体来说，它执行以下操作：
从损失值开始，通过链式法则计算梯度：PyTorch 中的自动求导机制会根据计算图中的节点，自动计算每个节点相对于损失的梯度。这是通过应用链式法则来实现的，从损失节点开始，逐层向后传播计算梯度。
累积梯度：梯度计算得到的梯度值会被累积到每个参数的 .grad 属性中。
梯度计算完成：一旦完成梯度计算，可以使用得到的梯度值来执行参数更新和优化算法，例如使用梯度下降算法来更新模型的参数。
"""
loss.backward()
"""
loss.detach() 方法执行以下操作：
分离张量：该方法创建一个新的张量，其值与原始张量相同，但不再与计算图关联。
断开梯度计算：分离的张量将不再保留梯度信息。这意味着对分离张量进行任何操作或计算梯度时，梯度将不会回传到原始张量。
"""
# 计算迭代到当前批次的前面所有批次和这批的平均损失，这是一个批次平均损失，每个批次的损失里包括每个图片张量的损失，可以是一批图片
# 损失的平均值或和
mean_loss = (mean_loss * step + loss.detach()) / (step + 1) # update mean losses
# 打印平均loss
# mean_loss.item() 是一个张量的方法，用于获取张量的数值表示
# round(mean_loss.item(), 3) 将损失值保留三位小数
# 当使用 tqdm 来迭代一个可迭代对象时，可以通过设置 desc 参数来为进度条添加描述信息。
# 每迭代一次data_loader，都要更新一次下面的进度条描述信息
data_loader.desc = "[epoch {}] mean loss {}".format(epoch, round(mean_loss.item(), 3))
# torch.isfinite(loss) 用于检查损失值是否为有限值。
#
if not torch.isfinite(loss):
print('WARNING: non-finite loss, ending training ', loss)
sys.exit(1)
# 参数更新：如果损失值是有限值，代码会执行 optimizer.step() 来更新模型的参数。
# 这一步是优化算法的核心，根据计算得到的梯度来调整模型参数，以最小化损失函数。
# 清空梯度：在参数更新之后，为了避免梯度的累积影响后续的迭代，
# 代码会执行 optimizer.zero_grad() 来清空之前计算的梯度值，为下一次迭代做准备。
# 定义优化器时已经传入了需要进行训练的参数(梯度计算的参数),
# 通过para.requires_grad_(False)也设置了模型里不需要求梯度的参数，loss.backward()也不会求损失对应相关参数的梯度
# 这样optimizer.step()优化器进行用定义优化器时传入的学习率更新策略优化时就只根据loss.backward()求得的梯度优化传入优化器的需要优化的参数
optimizer.step()
optimizer.zero_grad()
return mean_loss.item()
@torch.no_grad()
def evaluate(model, data_loader, device):
model.eval()
# 用于存储预测正确的样本个数 torch.zeros(1)创建一个1*n的元素全是0的张量，其实就是一个一维张量，一维是线，点是0维
sum_num = torch.zeros(1).to(device)
# 统计验证集样本总数目，这个总数目不是批次数，而是验证集的所有图片数
num_samples = len(data_loader.dataset)
# 打印验证进度
data_loader = tqdm(data_loader, desc="validation...", file=sys.stdout)
for step, data in enumerate(data_loader):
images, labels = data
pred = model(images.to(device))
# dim等于1表示取每行最大值及其索引，dim=0表示取每一列上最大值及其索引，
# torch.max(pred, dim=1)返回的是两个一维张量，第一个是每一行最大值，第二个是对应的索引
# [1] 返回的是第二个输出，即每行上最大值对应的索引，其实就是类别，预测的类别
pred = torch.max(pred, dim=1)[1]
# pred是一个一维张量，包含一个批次的每张图片的索引，共batch_size个元素，
# torch.eq(pred, labels.to(device)) 对比预测的一维张量和从dataset中获取的labels这个标签一维张量有几个位置的元素相同
# 即有几张图片预测正确了，sum()求得一个批次中预测正确的图片数
sum_num += torch.eq(pred, labels.to(device)).sum()
# 计算预测正确的比例
# item() 方法用于将张量中的单个元素提取为 Python 标量值，
# 一个epoch中所有批次的所有图片的预测正确总数/验证集中图片总数 求得预测的正确率，进行返回
acc = sum_num.item() / num_samples
return acc
训练过程：
3670 images were found in the dataset.
2939 images for training.
731 images for validation.
2939it [00:00, 4558.29it/s]
731it [00:00, 4928.77it/s]
Using 8 dataloader workers every process
not using pretrain-weights.
[epoch 0] mean loss 1.416: 100%|██████████| 184/184 [00:42<00:00, 4.30it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 0] accuracy: 0.473
[epoch 1] mean loss 1.27: 100%|██████████| 184/184 [00:42<00:00, 4.32it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 1] accuracy: 0.59
[epoch 2] mean loss 1.155: 100%|██████████| 184/184 [00:42<00:00, 4.36it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.24it/s]
[epoch 2] accuracy: 0.64
[epoch 3] mean loss 1.088: 100%|██████████| 184/184 [00:42<00:00, 4.36it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.24it/s]
[epoch 3] accuracy: 0.662
[epoch 4] mean loss 1.043: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.20it/s]
[epoch 4] accuracy: 0.683
[epoch 5] mean loss 1.019: 100%|██████████| 184/184 [00:42<00:00, 4.34it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 5] accuracy: 0.644
[epoch 6] mean loss 0.979: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.20it/s]
[epoch 6] accuracy: 0.705
[epoch 7] mean loss 0.959: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 7] accuracy: 0.713
[epoch 8] mean loss 0.913: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:21<00:00, 2.18it/s]
[epoch 8] accuracy: 0.715
[epoch 9] mean loss 0.881: 100%|██████████| 184/184 [00:43<00:00, 4.27it/s]
validation...: 100%|██████████| 46/46 [00:21<00:00, 2.18it/s]
[epoch 9] accuracy: 0.741
[epoch 10] mean loss 0.843: 100%|██████████| 184/184 [00:42<00:00, 4.32it/s]
validation...: 100%|██████████| 46/46 [00:21<00:00, 2.17it/s]
[epoch 10] accuracy: 0.741
[epoch 11] mean loss 0.846: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 11] accuracy: 0.74
[epoch 12] mean loss 0.839: 100%|██████████| 184/184 [00:42<00:00, 4.34it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 12] accuracy: 0.759
[epoch 13] mean loss 0.808: 100%|██████████| 184/184 [00:42<00:00, 4.33it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 13] accuracy: 0.713
[epoch 14] mean loss 0.769: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 14] accuracy: 0.767
[epoch 15] mean loss 0.759: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.24it/s]
[epoch 15] accuracy: 0.717
[epoch 16] mean loss 0.759: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 16] accuracy: 0.756
[epoch 17] mean loss 0.711: 100%|██████████| 184/184 [00:42<00:00, 4.32it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 17] accuracy: 0.784
[epoch 18] mean loss 0.73: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.24it/s]
[epoch 18] accuracy: 0.766
[epoch 19] mean loss 0.681: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 19] accuracy: 0.787
[epoch 20] mean loss 0.66: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 20] accuracy: 0.776
[epoch 21] mean loss 0.658: 100%|██████████| 184/184 [00:42<00:00, 4.33it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 21] accuracy: 0.778
[epoch 22] mean loss 0.663: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 22] accuracy: 0.782
[epoch 23] mean loss 0.623: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 23] accuracy: 0.796
[epoch 24] mean loss 0.589: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.21it/s]
[epoch 24] accuracy: 0.8
[epoch 25] mean loss 0.616: 100%|██████████| 184/184 [00:42<00:00, 4.32it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.20it/s]
[epoch 25] accuracy: 0.802
[epoch 26] mean loss 0.586: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.21it/s]
[epoch 26] accuracy: 0.811
[epoch 27] mean loss 0.569: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 27] accuracy: 0.814
[epoch 28] mean loss 0.559: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 28] accuracy: 0.817
[epoch 29] mean loss 0.567: 100%|██████████| 184/184 [00:42<00:00, 4.35it/s]
validation...: 100%|██████████| 46/46 [00:20<00:00, 2.22it/s]
[epoch 29] accuracy: 0.814
打开tensorboard面板：
由于是在每个epoch训练和验证完后进行一次对预测图片的的预测，所以可以查看每个epoch，在tensorboard界面中是step表示，的预测情况，具体打印的信息在代码中进行控制。
?GRAPH可以查看详细数据在模型里的流向情况。
在代码里定义的要查看的每一层的权重参数的分布情况。
DISTRIBUTED是tensorboard提供的另一种查看方式。
文章来源:https://blog.csdn.net/m0_56294205/article/details/135115249
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！
最新文章
- Python教程
- 深入理解 MySQL 中的 HAVING 关键字和聚合函数
- Qt之QChar编码（1）
- MyBatis入门基础篇
- 用Python脚本实现FFmpeg批量转换
- 5 微信小程序
- Vue Tinymce富文本组件自定义带下拉框的操作按钮
- 技术、经验双重buff叠加，惟客数据助力中国品牌扬帆出海
- 根文件以及中断
- Leetcode 106. 从中序与后序遍历序列构造二叉树
- TypeScript 从入门到进阶之基础篇(九) Class类篇
- 数据分析为何要学统计学（10）——如何进行比率检验
- GIS项目实战07：Eclipse资源分享
- pytorch安装+出现ModuleNotFoundError: No module named ‘torchvision‘的解决办法
- GSP算法在数据挖掘中的应用