数据集下载地址：
链接：pan.baidu.com/s/1l1AnBgkA…
提取码：2xq4
创建数据集：www.cnblogs.com/xiximayou/p…
读取数据集：www.cnblogs.com/xiximayou/p…
进行训练：www.cnblogs.com/xiximayou/p…
保存模型并继续进行训练：www.cnblogs.com/xiximayou/p…
加载保存的模型并测试：www.cnblogs.com/xiximayou/p…
划分验证集并边训练边验证：www.cnblogs.com/xiximayou/p…
epoch、batchsize、step之间的关系：www.cnblogs.com/xiximayou/p…
一个合适的学习率对网络的训练至关重要。学习率太大，会导致梯度在最优解处来回震荡，甚至无法收敛。学习率太小，将导致网络的收敛速度较为缓慢。一般而言，都会先采取较大的学习率进行训练，然后在训练的过程中不断衰减学习率。而学习率衰减的方式有很多，这里我们就只使用简单的方式。
上一节划分了验证集，这节我们要边训练边测试，同时要保存训练的最后一个epoch模型，以及保存测试准确率最高的那个模型。
首先是学习率衰减策略，这里展示两种方式：
scheduler = optim.lr_scheduler.StepLR(optimizer, 80, 0.1)
scheduler = optim.lr_scheduler.MultiStepLR(optimizer,[80,160],0.1)
第一种方式是每个80个epoch就将学习率衰减为原来的0.1倍。
第二种方式是在第80和第160个epoch时将学习率衰减为原来的0.1倍
比如说第1个epoch的学习率为0.1，那么在1-80epoch期间都会使用该学习率，在81-160期间使用0.1×0.1=0.01学习率，在161及以后使用0.01×0.1=0.001学习率
一般而言，会在1/3和2/3处进行学习率衰减，比如有200个epoch，那么在70、140个epoch上进行学习率衰减。不过也需要视情况而定。
接下来，我们将学习率衰减策略加入到main.py中：
main.py
import sys
sys.path.append("/content/drive/My Drive/colab notebooks")
from utils import rdata
from model import resnet
import torch.nn as nn
import torch
import numpy as np
import torchvision
import train
import torch.optim as optim
np.random.seed(0)
torch.manual_seed(0)
torch.cuda.manual_seed_all(0)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = True
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
batch_size=128
train_loader,val_loader,test_loader=rdata.load_dataset(batch_size)
model =torchvision.models.resnet18(pretrained=False)
model.fc = nn.Linear(model.fc.in_features,2,bias=False)
model.cuda()
#定义训练的epochs
num_epochs=6
#定义学习率
learning_rate=0.01
#定义损失函数
criterion=nn.CrossEntropyLoss()
#定义优化方法，简单起见，就是用带动量的随机梯度下降
optimizer = torch.optim.SGD(params=model.parameters(), lr=0.1, momentum=0.9,
weight_decay=1*1e-4)
scheduler = optim.lr_scheduler.MultiStepLR(optimizer, [2,4], 0.1) print("训练集有：",len(train_loader.dataset))
#print("验证集有：",len(val_loader.dataset))
print("测试集有：",len(test_loader.dataset)) def main():
trainer=train.Trainer(criterion,optimizer,model)
trainer.loop(num_epochs,train_loader,val_loader,test_loader,scheduler)
main()
这里我们只训练6个epoch，在第2和第4个epoch进行学习率衰减策略。
train.py
import torch
class Trainer:
def __init__(self,criterion,optimizer,model):
self.criterion=criterion
self.optimizer=optimizer
self.model=model
def get_lr(self):
for param_group in self.optimizer.param_groups:
return param_group['lr'] def loop(self,num_epochs,train_loader,val_loader,test_loader,scheduler=None,acc1=0.0):
self.acc1=acc1 for epoch in range(1,num_epochs+1):
lr=self.get_lr()
print("epoch：{}，lr：{}" .format(epoch,lr))
self.train(train_loader,epoch,num_epochs)
#self.val(val_loader,epoch,num_epochs)
self.test(test_loader,epoch,num_epochs)
if scheduler is not None:
scheduler.step() def train(self,dataloader,epoch,num_epochs):
self.model.train()
with torch.enable_grad():
self._iteration_train(dataloader,epoch,num_epochs)
def val(self,dataloader,epoch,num_epochs):
self.model.eval()
with torch.no_grad():
self._iteration_val(dataloader,epoch,num_epochs)
def test(self,dataloader,epoch,num_epochs):
self.model.eval()
with torch.no_grad():
self._iteration_test(dataloader,epoch,num_epochs)
def _iteration_train(self,dataloader,epoch,num_epochs):
total_step=len(dataloader)
tot_loss = 0.0
correct = 0
for i ,(images, labels) in enumerate(dataloader):
images = images.cuda()
labels = labels.cuda()
# Forward pass
outputs = self.model(images)
_, preds = torch.max(outputs.data,1)
loss = self.criterion(outputs, labels)
# Backward and optimizer
self.optimizer.zero_grad()
loss.backward()
self.optimizer.step()
tot_loss += loss.data
if (i+1) % 2 == 0:
print('Epoch: [{}/{}], Step: [{}/{}], Loss: {:.4f}'
.format(epoch, num_epochs, i+1, total_step, loss.item()))
correct += torch.sum(preds == labels.data).to(torch.float32)
### Epoch info ####
epoch_loss = tot_loss/len(dataloader.dataset)
print('train loss: {:.4f}'.format(epoch_loss))
epoch_acc = correct/len(dataloader.dataset)
print('train acc: {:.4f}'.format(epoch_acc))
if epoch==num_epochs:
state = {
'model': self.model.state_dict(),
'optimizer':self.optimizer.state_dict(),
'epoch': epoch,
'train_loss':epoch_loss,
'train_acc':epoch_acc,
}
save_path="/content/drive/My Drive/colab notebooks/output/"
torch.save(state,save_path+"/resnet18_final"+".t7")
def _iteration_val(self,dataloader,epoch,num_epochs):
total_step=len(dataloader)
tot_loss = 0.0
correct = 0
for i ,(images, labels) in enumerate(dataloader):
images = images.cuda()
labels = labels.cuda()
# Forward pass
outputs = self.model(images)
_, preds = torch.max(outputs.data,1)
loss = self.criterion(outputs, labels)
tot_loss += loss.data
correct += torch.sum(preds == labels.data).to(torch.float32)
if (i+1) % 2 == 0:
print('Epoch: [{}/{}], Step: [{}/{}], Loss: {:.4f}'
.format(1, 1, i+1, total_step, loss.item()))
### Epoch info ####
epoch_loss = tot_loss/len(dataloader.dataset)
print('val loss: {:.4f}'.format(epoch_loss))
epoch_acc = correct/len(dataloader.dataset)
print('val acc: {:.4f}'.format(epoch_acc))
def _iteration_test(self,dataloader,epoch,num_epochs):
total_step=len(dataloader)
tot_loss = 0.0
correct = 0
for i ,(images, labels) in enumerate(dataloader):
images = images.cuda()
labels = labels.cuda()
# Forward pass
outputs = self.model(images)
_, preds = torch.max(outputs.data,1)
loss = self.criterion(outputs, labels)
tot_loss += loss.data
correct += torch.sum(preds == labels.data).to(torch.float32)
if (i+1) % 2 == 0:
print('Epoch: [{}/{}], Step: [{}/{}], Loss: {:.4f}'
.format(1, 1, i+1, total_step, loss.item()))
### Epoch info ####
epoch_loss = tot_loss/len(dataloader.dataset)
print('test loss: {:.4f}'.format(epoch_loss))
epoch_acc = correct/len(dataloader.dataset)
print('test acc: {:.4f}'.format(epoch_acc))
if epoch_acc > self.acc1:
state = {
"model": self.model.state_dict(),
"optimizer": self.optimizer.state_dict(),
"epoch": epoch,
"epoch_loss": epoch_loss,
"epoch_acc": epoch_acc,
"acc1": self.acc1,
}
save_path="/content/drive/My Drive/colab notebooks/output/"
print("在第{}个epoch取得最好的测试准确率，准确率为：{}".format(epoch,epoch_acc))
torch.save(state,save_path+"/resnet18_best"+".t7")
self.acc1=max(self.acc1,epoch_acc)
我们首先增加了test()和_iteration_test()用于测试。
这里需要注意的是：
UserWarning: Detected call of `lr_scheduler.step()` before `optimizer.step()`. In PyTorch 1.1.0 and later, you should call them in the opposite order: `optimizer.step()` before `lr_scheduler.step()`. Failure to do this will result in PyTorch skipping the first value of the learning rate schedule.
也就是说：
scheduler = ...
>>> for epoch in range(100):
>>> train(...)
>>> validate(...)
>>> scheduler.step()
在pytorch1.1.0及之后，scheduler.step() 这个要放在最后面了。我们定义了一个获取学习率的函数，在每一个epoch的时候打印学习率。我们同时要存储训练的最后一个epoch的模型，方便我们继续训练。存储测试准确率最高的模型，方便我们使用。
最终结果如下，省略了其中的每一个step：
训练集有： 18255
测试集有： 4750
epoch：1，lr：0.1
train loss: 0.0086
train acc: 0.5235
test loss: 0.0055
test acc: 0.5402
在第1个epoch取得最好的测试准确率，准确率为：0.5402105450630188
epoch：2，lr：0.1
train loss: 0.0054
train acc: 0.5562
test loss: 0.0055
test acc: 0.5478
在第2个epoch取得最好的测试准确率，准确率为：0.547789454460144
epoch：3，lr：0.010000000000000002
train loss: 0.0052
train acc: 0.6098
test loss: 0.0053
test acc: 0.6198
在第3个epoch取得最好的测试准确率，准确率为：0.6197894811630249
epoch：4，lr：0.010000000000000002
train loss: 0.0051
train acc: 0.6150
test loss: 0.0051
test acc: 0.6291
在第4个epoch取得最好的测试准确率，准确率为：0.6290526390075684
train loss: 0.0051
train acc: 0.6222
test loss: 0.0052
test acc: 0.6257
epoch：6，lr：0.0010000000000000002
train loss: 0.0051
train acc: 0.6224
test loss: 0.0052
test acc: 0.6295
在第6个epoch取得最好的测试准确率，准确率为：0.6294736862182617
很神奇，lr最后面居然不是0。对lr和准确率输出时可指定输出小数点后?位：{:.?f}
最后看下保存的模型：
的确是都有的。
下一节：可视化训练和测试过程。
