数据集下载地址：
链接：https://pan.baidu.com/s/1l1AnBgkAAEhh0vI5_loWKw
提取码：2xq4
创建数据集：https://cloud.tencent.com/developer/article/1686281
读取数据集：https://cloud.tencent.com/developer/article/1686162
进行训练：https://cloud.tencent.com/developer/article/1686203
保存模型并继续进行训练：https://cloud.tencent.com/developer/article/1686210
加载保存的模型并测试：https://cloud.tencent.com/developer/article/1686223
划分验证集并边训练边验证：https://cloud.tencent.com/developer/article/1686224
使用学习率衰减策略并边训练边测试：https://cloud.tencent.com/developer/article/1686225
epoch、batchsize、step之间的关系：https://cloud.tencent.com/developer/article/1686123
我们已经能够使用学习率衰减策略了，同时也可以训练、验证、测试了。那么，我们可能想要了解训练过程中的损失和准确率的可视化结果。我们可以使用tensorboard来进行可视化。可参考：
利用tensorboard可视化：https://cloud.tencent.com/developer/article/1686231
利用tensorboardcolab可视化：https://cloud.tencent.com/developer/article/1686234
在此之前，我们还要优化一下我们的训练测试代码。一般情况下，我们只需要关注每一个epoch的结果就行了，可以将输入每一个step的那段代码注释掉，但是，这也存在一个问题。每次只打印出epoch的结果，有可能一个epoch要执行的时间很长，注释掉step之后没有反馈给到我们。那应该怎么办？使用python库tqdm。它会以进度条的形式告诉我们一个epoch还有多久完成，以及完成所需的时间。
接下来，我们结合代码来一起看看改变之后的结果：
main.py
代码语言：javascript复制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=100
#定义学习率
learning_rate=0.1
#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, [40,80], 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()这里面没有什么变化。主要是train.py
代码语言：javascript复制import torch
from tqdm import tqdm
from tensorflow import summary
import datetime
current_time = str(datetime.datetime.now().timestamp())
train_log_dir = '/content/drive/My Drive/colab notebooks/output/tsboardx/train/' current_time
test_log_dir = '/content/drive/My Drive/colab notebooks/output/tsboardx/test/' current_time
val_log_dir = '/content/drive/My Drive/colab notebooks/output/tsboardx/val/' current_time
train_summary_writer = summary.create_file_writer(train_log_dir)
val_summary_writer = summary.create_file_writer(val_log_dir)
test_summary_writer = summary.create_file_writer(test_log_dir)
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：{:.6f}".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):
for images, labels in tqdm(dataloader,ncols=80):
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)
epoch_acc = correct/len(dataloader.dataset)
print('train loss: {:.4f},train acc： {:.4f}'.format(epoch_loss,epoch_acc))
with train_summary_writer.as_default():
summary.scalar('loss', epoch_loss.item(), epoch)
summary.scalar('accuracy', epoch_acc.item(), epoch)
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):
for images, labels in tqdm(dataloader,ncols=80):
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)
epoch_acc = correct/len(dataloader.dataset)
print('val loss: {:.4f}，val acc: {:.4f}'.format(epoch_loss,epoch_acc))
with val_summary_writer.as_default():
summary.scalar('loss', epoch_loss.item(), epoch)
summary.scalar('accuracy', epoch_acc.item(), epoch)
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):
for images, labels in tqdm(dataloader,ncols=80):
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)
epoch_acc = correct/len(dataloader.dataset)
print('test loss: {:.4f}，test acc： {:.4f}'.format(epoch_loss,epoch_acc))
with test_summary_writer.as_default():
summary.scalar('loss', epoch_loss.item(), epoch)
summary.scalar('accuracy', epoch_acc.item(), epoch)
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：{:.4f}".format(epoch,epoch_acc))
torch.save(state,save_path "/resnet18_best" ".t7")
self.acc1=max(self.acc1,epoch_acc)首先关注summary.create_file_writer，这个函数的参数是需要存储可视化文件的地址，我们这里有train、val、test。然后是
代码语言：javascript复制with test_summary_writer.as_default():
summary.scalar('loss', epoch_loss.item(), epoch)
summary.scalar('accuracy', epoch_acc.item(), epoch)这之类的。我们把想要可视化的损失和准确率随epoch的变化情况传入到summary.scalar中。summary.scalar接受三个参数，第一个是图的名称，第二个是纵坐标，第三个是横坐标。
之后在test.ipynb中，我们一步步进行操作：
首先进入到train目录下：
代码语言：javascript复制cd /content/drive/My Drive/colab notebooks/train然后输入魔法命令：
代码语言：javascript复制%load_ext tensorboard.notebook接着就可以启动tensorboard了：
代码语言：javascript复制%tensorboard --logdir "/content/drive/My Drive/colab notebooks/output/tsboardx/"启动之后会在该代码块下显示tensorboard的界面。还没有开始训练，所以暂时是看不到变化的。
接下来我们就可以开始训练了：
代码语言：javascript复制!python main.py这里的结果就只截部分了。我们设定了训练100个epoch，batchsize设定为128。这里需要说明的是使用大的batchsize的同时要将学习率也设置大些，我们设置初始的学习率为0.1。并在第40个和第80个epoch进行学习率衰减，每次变为原来的0.1呗。也要切记并不是batchsize越大越好，虽然大的batchsize可以加速网络的训练，但是会造成内存不足和模型的泛化能力不好。
可以发现我们显示的界面还是比较美观的。
最后截图的是测试准确率最高的那个epoch的结果：
在查看tensorboard之前，我们看下存储内容的位置。
就是根据标红的文件中的内容进行可视化的。
最后去看一下tensorboard：
红线代表测试，蓝线代表训练。
至此，网络的训练、测试以及可视化就完成了，接下来是看看整体的目录结构：
下一节，通过在命令行指定所需的参数，比如batchsize等。
