版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/idwtwt/article/details/87625377
torchvision.models这个包中包含alexnet、densenet、inception、resnet、squeezenet、vgg等常用的网络结构，并且提供了预训练模型，可以通过简单调用来读取网络结构和预训练模型。
import torchvision
model = torchvision.models.resnet50(pretrained=True)下面是使用resnet18训练mnist手写识别的例子，需要注意的是，resnet默认图片输入大小为224*224，而mnist的图片大小为28*28，且resnet输入维度默认为3维，而mnist数据只是1维灰度图，可以将mnist数据进行预处理（28*28放大为224*224），并在使用resnet之前做一次卷积，将1维输入，转换为3维
#coding:utf8
from __future__ import print_function # 这个是python当中让print都以python3的形式进行print，即把print视为函数
import argparse # 使得我们能够手动输入命令行参数，就是让风格变得和Linux命令行差不多
import torch # 以下这几行导入相关的pytorch包，有疑问的参考我写的 Pytorch打怪路（一）系列博文
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torchnet import meter
import torchvision
# Training settings 就是在设置一些参数，每个都有默认值，输入python main.py -h可以获得相关帮助
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
# batch_size参数，如果想改，如改成128可这么写：python main.py -batch_size=128
help='input batch size for training (default: 64)')
parser.add_argument('--test-batch-size', type=int, default=10, metavar='N', # test_batch_size参数，
help='input batch size for testing (default: 1000)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 10)')
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
help='learning rate (default: 0.01)')
parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
help='SGD momentum (default: 0.5)')
parser.add_argument('--no-cuda', action='store_true', default=False, # GPU参数，默认为False
help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N', # 跑多少次batch进行一次日志记录
help='how many batches to wait before logging training status')
args = parser.parse_args() # 这个是使用argparse模块时的必备行，将参数进行关联，详情用法请百度 argparse 即可
args.cuda = not args.no_cuda and torch.cuda.is_available() # 这个是在确认是否使用gpu的参数,比如
torch.manual_seed(args.seed) # 设置一个随机数种子，相关理论请自行百度或google，并不是pytorch特有的什么设置
if args.cuda:
torch.cuda.manual_seed(args.seed) # 这个是为GPU设置一个随机数种子
kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
train_loader = torch.utils.data.DataLoader( # 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
datasets.MNIST('./data', train=True, download=True,
transform=transforms.Compose([
transforms.Resize(224), #resnet默认图片输入大小224*224
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])),
batch_size=args.batch_size, shuffle=True, **kwargs)
test_loader = torch.utils.data.DataLoader( # 加载训练数据，详细用法参考我的Pytorch打怪路（一）系列-（1）
datasets.MNIST('./data', train=False, transform=transforms.Compose([
transforms.Resize(224),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])),
batch_size=args.test_batch_size, shuffle=True, **kwargs)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv = nn.Conv2d(1, 3, kernel_size=1)
self.resnet = torchvision.models.resnet50(pretrained=False)
def forward(self, x):
x= self.conv(x)
x= self.resnet(x)
return x
model = Net().cuda()
criterion=nn.CrossEntropyLoss()
if args.cuda:
model.cuda() # 判断是否调用GPU模式
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum) # 初始化优化器 model.train()
optimizer=optim.SGD(model.parameters(),lr=0.05,momentum=0.9)
def train(epoch): # 定义每个epoch的训练细节
model.train() # 设置为trainning模式
for batch_idx, (data, target) in enumerate(train_loader):
if args.cuda: # 如果要调用GPU模式，就把数据转存到GPU
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target) # 把数据转换成Variable
optimizer.zero_grad() # 优化器梯度初始化为零
output = model(data) # 把数据输入网络并得到输出，即进行前向传播
ff = nn.CrossEntropyLoss()
loss = criterion(output, target) # 计算损失函数
loss.backward() # 反向传播梯度
optimizer.step() # 结束一次前传+反传之后，更新优化器参数
if batch_idx % args.log_interval == 0: # 准备打印相关信息，args.log_interval是最开头设置的好了的参数
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
def test():
model.eval() # 设置为test模式
test_loss = 0 # 初始化测试损失值为0
correct = 0 # 初始化预测正确的数据个数为0
confusion_matrix = meter.ConfusionMeter(10)
for data, target in test_loader:
if args.cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target)
output = model(data)
test_loss += F.nll_loss(output, target, size_average=False).item() # sum up batch loss 把所有loss值进行累加
pred = output.data.max(1, keepdim=True)[1] # get the index of the max log-probability
correct += pred.eq(target.data.view_as(pred)).cpu().sum() # 对预测正确的数据个数进行累加
confusion_matrix.add(output.data, target.data)
cm_value = confusion_matrix.value()
accuracy = 100. * (cm_value[0][0] + cm_value[1][1]
+ cm_value[2][2] + cm_value[3][3]
+ cm_value[4][4] + cm_value[5][5]+cm_value[6][6]+cm_value[7][7]++cm_value[8][8]+cm_value[9][9]) / (cm_value.sum())
test_loss /= len(test_loader.dataset) # 因为把所有loss值进行过累加，所以最后要除以总得数据长度才得平均loss
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
print("confusion_matrix",accuracy,"sum:",cm_value.sum())
for epoch in range(1, args.epochs + 1): # 以epoch为单位进行循环
train(epoch)
test()
下面是训练输出：
