零基础学习人工智能—Python—Pytorch学习（十二）
前言本文介绍使用神经网络进行实战。
使用的代码是《零基础学习人工智能—Python—Pytorch学习（九）》里的代码。
代码实现
mudule定义
首先我们自定义一个module，创建一个torch_test17_Model.py文件(这个module要单独用个py文件定义)，如下：
import torch.nn as nnimport torch.nn.functional as Fclass ConvNet(nn.Module): def __init__(self): super(ConvNet, 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) def 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 x return xmodule创建
编写创建module的py文件，代码如下：
import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsimport torch_test17_Model as tmdevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')input_size = 784 hidden_size = 100num_classes = 10batch_size = 100learning_rate = 0.001num_epochs = 200 # 要训练200-400轮效果最好transform = transforms.Compose( )train_dataset = torchvision.datasets.CIFAR10( root='./data', train=True, download=True, transform=transform)train_loader = torch.utils. data.DataLoader( dataset=train_dataset, batch_size=batch_size, shuffle=True) model = tm.ConvNet().to(device)criterion = nn.CrossEntropyLoss()optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)n_total_steps = len(train_loader)print("number total epochs(训练的回合):",num_epochs)print("number total steps(训练的次数):",n_total_steps)for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # images.shape: torch.Size() # images张量的四个维度是(B, C, H, W) # B 是批量大小（即图像的数量）。 # C 是图像的通道数（例如，RGB 图像的通道数是 3）。 # H 和 W 分别是图像的高度和宽度。 print("images.shape:", images.shape) #100行，后面的维度是3,32,32。这个是图片信息。 # lables是对应images这100个图片的标签 print("labels.shape:", labels.shape) print("labels.item():", labels.item())# 输出例子 labels.item()=6 images = images.to(device) labels = labels.to(device) # 前向传播 outputs = model(images) loss = criterion(outputs, labels) print("loss.item()",loss.item())# 输出例子 loss.item()=2.300053596496582 # 逆向传播和优化 optimizer.zero_grad() loss.backward() ##执行逆向传播 会使用criterion的函数关系求偏导，然后把x的值，带入偏导公式求值，然后再乘以loss，得到新x值 optimizer.step() print(f'训练轮次Epoch [{epoch}/{num_epochs}], Step [{i+1}/{n_total_steps}], Loss: {loss.item():.4f}') print('==================')print('训练结束')filePath = "model.pth" #没有路径，会保存到python文件所在目录torch.save(model, filePath)print('保存完成')代码会输出loss的值，我们要重点关注这个值。
Loss 值越大，表示模型的预测与真实标签之间的差距较大，模型的性能较差。
Loss 值越小，表示模型的预测更接近真实标签，性能逐渐提高。
即，loss值接近0的时候，这个模型就可以用了。
module使用
编写使用module验证图片的py文件，注意要引用torch_test17_Model.py文件，代码如下：
import torchimport torchvisionimport torchvision.transforms as transformsimport torch.nn.functional as Fimport torch_test17_Model as tmdevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')batch_size = 100transform = transforms.Compose( ，而模型训练使用的尺寸是 ,可以用這個转换一下 transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])test_dataset = torchvision.datasets.CIFAR10( root='./data', train=False, download=True, transform=transform)test_loader = torch.utils.data.DataLoader( dataset=test_dataset, batch_size=batch_size, shuffle=False)filePath = "model.pth" #没有路径，会保存到python文件所在目录model = torch.load(filePath,weights_only=False)model.eval() # 切换到评估模式############################使用阈值判断######################################threshold = 0.7# 设定一个阈值，表示模型的信心度，用阈值判断的话，要求模型必须更精确，如果只是两轮的训练，会出现全部判定不过去的情况with torch.no_grad(): for images, labels in test_loader: print("############################判断######################################") images = images.to(device) labels = labels.to(device) outputs = model(images) print("outputs.shape",outputs.shape) # 计算 softmax 概率 probabilities = F.softmax(outputs, dim=1) max_probs, predicted = torch.max(probabilities, 1) for i in range(len(predicted)): if max_probs < threshold:# 如果置信度低于阈值，认为是未知类别 print(f"图片 {i} 被认为是未知类别，置信度 {max_probs:.4f}") else: print(f"图片 {i} 被认为是类别 {predicted}，置信度 {max_probs:.4f}")判断图片是什么的时候，使用阈值模式。
结语
到此，我们对于神经网络，卷积神经网络，深度网络都有了一定了解。
然后我们就可以继续学习transformer了。
<hr>传送门：
零基础学习人工智能—Python—Pytorch学习—全集
<hr>注：此文章为原创，任何形式的转载都请联系作者获得授权并注明出处！
<hr>
<hr>若您觉得这篇文章还不错，请点击下方的【推荐】，非常感谢！
https://www.cnblogs.com/kiba/p/18609581
页:
[1]