公司部门设置及职责划分太极seo

一、关于网站上面的那个教程:

适合PyTorch小白的官网教程：Learning PyTorch With Examples - 知乎 (zhihu.com)

这个链接也是一样的，

总的来说，里面讲了这么一件事:

如果没有pytorch的分装好的nn.module用来继承的话，需要设计一个神经网络就真的有很多需要处理的地方，明明可以用模板nn.module来继承得到自己的neural network的对象

然后，我们自己这个network里面设计我们想要实现的东西

[ Pytorch教程 ] 训练分类器 - pytorch中文网 (ptorch.com)

这个网站底部的链接还是有一些东西的

二、训练分类器中的代码-查漏补缺，加油！！

1.CIFAR-10中的图像大小为3x32x32，即尺寸为32x32像素的3通道彩色图像

2.torchvision.utils.make_grid()函数的参数意义和用法：

3.利用plt输出图像，必须是(h,w,channels)的顺序，所以从tensor过来需要permute或者transpose

def imshow(img): #定义这里的局部imshowimg = img / 2 + 0.5     # unnormalize,还是要回去的好吧，img=(img-0.5)/0.5这是均值normlizenpimg = img.numpy() #plt只能绘制numpy_array类型plt.imshow(np.transpose(npimg, (1, 2, 0))) #好像必须进行permute或者transpose得到（h,w,channels）

4.和f.max_pool2d是一个可以调用的函数对象，nn.MaxPool2d是一个模板，需要自己设置:

http://t.csdn.cn/mzqv7

5.torch.max(tensor,1)函数的用法：

http://t.csdn.cn/JMBwW

这篇文章讲得很好,

将每一行的最大值组成一个数组

二、代码研读+注释版:

#引入基本的库
import torch
import torchvision
import torchvision.transforms as transforms

#利用DataLoader获取train_loader和test_loader
transform = transforms.Compose( #定义ToTensor 和 3个channel上面的（0.5，0.5）正太分布[transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])#获取trainset，需要经过transform处理
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, #设置train_loader参数：batch_size=4,shuffleshuffle=True, num_workers=2) #这个num_woekers子进程不知道会不会报错#同样的处理获取test_loader
testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,shuffle=False, num_workers=2)#定义一个classes数组，其实是用来作为一个map映射使用的
classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

#展示一些图像，来点直观的感受
import matplotlib.pyplot as plt
import numpy as np# functions to show an imagedef imshow(img): #定义这里的局部imshowimg = img / 2 + 0.5     # unnormalize,还是要回去的好吧，img=(img-0.5)/0.5这是均值normlizenpimg = img.numpy() #plt只能绘制numpy_array类型plt.imshow(np.transpose(npimg, (1, 2, 0))) #好像必须进行permute或者transpose得到（h,w,channels）# get some random training images
dataiter = iter(trainloader)     #dataiter就是迭代器了
images, labels = next(dataiter) #获取第一个images图像数据 和 labels标签 ,注意iter.next()已经改为了next(iter)# show images
imshow(torchvision.utils.make_grid(images)) #以网格的方式显示图像
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4))) #输出labels1-4这样的标题

#定义neural network的结构
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5) #定义输入channel=3,输出channel=5,卷积核5*5，stride(default)=1,padding(default)=0self.pool = nn.MaxPool2d(2, 2)  #定义pooling池化，kernel_size=2*2,stride 右2，且下2self.conv2 = nn.Conv2d(6, 16, 5) #同上输出channel=16self.fc1 = nn.Linear(16 * 5 * 5, 120)  #下面定义了3个Linear函数self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)def forward(self, x):x = self.pool(F.relu(self.conv1(x))) #conv1->relu->poolingx = self.pool(F.relu(self.conv2(x))) #conv2->relu->poolingx = x.view(-1, 16 * 5 * 5)           #调整为第二维数16*5*5的大小的tensorx = F.relu(self.fc1(x))              #fc1->relux = F.relu(self.fc2(x))              #fc2->relux = self.fc3(x)                      #output_linear->得到一个10维度的向量return xnet = Net() #创建一个net对象

#定义loss_func和optimizer优化器
import torch.optim as optimcriterion = nn.CrossEntropyLoss()  #分类的话，使用nn.CrossEntropyLoss()更好
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) #这里使用初级的SGD

#开始train多少个epoch了：
for epoch in range(2):  # 0-1总共2个epochrunning_loss = 0.0  #记录loss数值for i, data in enumerate(trainloader, 0): #利用迭代器获取索引和此次batch数据，0代表从第0个索引的batch开始# get the inputsinputs, labels = data #获取inputs图像数据batch 和 labels标签batch# wrap them in Variable#inputs, labels = Variable(inputs), Variable(labels) ,在新版的pytorch中这一行代码已经不需要了# zero the parameter gradientsoptimizer.zero_grad() #每次进行backward方向传播计算gradient之前先调用optimizer.zero_grad()清空，防止积累# forward + backward + optimize ，标准操作：model + criterion + backward + stepoutputs = net(inputs) loss = criterion(outputs, labels)loss.backward()optimizer.step()# print statistics ，每2000个batch进行对应的输出#running_loss += loss.data[0]  #将这次batch计算的loss加到running_loss厚葬 ，新版的pytorch中tensor.data弃用#改用tensor.item()了running_loss = loss.item()if i % 2000 == 1999:    # print every 2000 mini-batchesprint('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000)) #输出：第几个epoch,第几个batch,平均每个batch的lossrunning_loss = 0.0 #归零print('Finished Training')

#展示第一批
dataiter = iter(testloader)
images, labels = next(dataiter) #获取一个batch（上面设置了batch_size=4）的images图像数据 和 labels标签# print images
imshow(torchvision.utils.make_grid(images)) #通过网格形式
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

#使用上述的model对第一批进行预测
outputs = net(Variable(images))
#predicted = outputs.data.max(2,keepdim= True)[1] #这样就获得了一个数组
_, predicted = torch.max(outputs.data, 1)
#注意，classes是一个数组，不过是当作map映射使用的
for j in range(4):print(classes[predicted[j]])

 

#正式开始test了
correct = 0 #正确的数目
total = 0   #总共测试数目
for data in testloader:   #每次获取testloader中的1个batchimages, labels = dataoutputs = net(Variable(images)) _, predicted = torch.max(outputs.data, 1) #得到预测的结果数组total += labels.size(0)correct += (predicted == labels).sum()    #predicted数组和labels数组逐项比较print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total)) #输出正确率

 

#对这10种不同的物体对象的检测正确率进行分析:
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
for data in testloader:images, labels = dataoutputs = net(Variable(images))_, predicted = torch.max(outputs.data, 1)c = (predicted == labels).squeeze() #c就是1个1维向量for i in range(4):               #一个batch有4张图label = labels[i]            #label就是0-9中那个类的indexclass_correct[label] += c[i] #如果c[i]==True就让class_correct+1class_total[label] += 1      #改类图的数目+1for i in range(10): #输出每个类的正确率print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))