pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率
我用的是Anaconda3，用spyder编写pytorch的代码，在Anaconda3中新建了一个pytorch的虚拟环境（虚拟环境的名字就叫pytorch)。
以下内容仅供参考哦~~
1.首先打开AnacondaPrompt，然后输入activatepytorch，进入pytorch.
2.输入pipinstalltensorboardX，安装完成后，输入python，用fromtensorboardXimportSummaryWriter检验是否安装成功。如下图所示：
3.安装完成之后，先给大家看一下我的文件夹，如下图：
假设用LeNet5框架识别图像的准确率，LeNet.py代码如下：
importtorch importtorch.nnasnn fromtorchsummaryimportsummary fromtorch.autogradimportVariable importtorch.nn.functionalasF classLeNet5(nn.Module):#定义网络pytorch定义网络有很多方式，推荐以下方式，结构清晰 def__init__(self): super(LeNet5,self).__init__() self.conv1=nn.Conv2d(3,6,5) 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(84,2) defforward(self,x): #print(x.size()) x=F.max_pool2d(F.relu(self.conv1(x)),(2,2)) #print(x.size()) x=F.max_pool2d(F.relu(self.conv2(x)),2) #print(x.size()) x=x.view(x.size()[0],-1)#全连接层均使用的nn.Linear()线性结构，输入输出维度均为一维，故需要把数据拉为一维 #print(x.size()) x=F.relu(self.fc1(x)) #print(x.size()) x=F.relu(self.fc2(x)) #print(x.size()) x=self.fc3(x) #print(x.size()) returnx net=LeNet5() data_input=Variable(torch.randn(16,3,32,32)) print(data_input.size()) net(data_input) print(summary(net,(3,32,32)))
示网络结构如下图：
训练代码（LeNet_train_test.py）如下：
#-*-coding:utf-8-*-
"""
CreatedonWedJan215:53:332019
@author:Administrator
"""
importtorch
importtorch.nnasnn
importos
importnumpyasnp
importmatplotlib.pyplotasplt
fromtorchvisionimportdatasets,transforms
importtorchvision
importLeNet
fromtorchimportoptim
importtime
fromtorch.optimimportlr_scheduler
fromtensorboardXimportSummaryWriter
writer=SummaryWriter('LeNet5')
data_transforms={
'train':transforms.Compose([
#transforms.Resize(56),
transforms.RandomResizedCrop(32),#
transforms.RandomHorizontalFlip(),#已给定的概率随即水平翻转给定的PIL图像
transforms.ToTensor(),#将图片转换为Tensor,归一化至[0,1]
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])#用平均值和标准偏差归一化张量图像
]),
'val':transforms.Compose([
#transforms.Resize(56),
transforms.CenterCrop(32),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]),
}
data_dir='beesvsants'#样本文件夹
image_datasets={x:datasets.ImageFolder(os.path.join(data_dir,x),
data_transforms[x])
forxin['train','val']
}
dataloaders={x:torch.utils.data.DataLoader(image_datasets[x],batch_size=16,
shuffle=True,num_workers=0)
forxin['train','val']
}
dataset_sizes={x:len(image_datasets[x])forxin['train','val']}
class_names=image_datasets['train'].classes
device=torch.device("cuda:0"iftorch.cuda.is_available()else"cpu")
defimshow(inp,title=None):
#print(inp.size())
inp=inp.numpy().transpose((1,2,0))
mean=np.array([0.485,0.456,0.406])
std=np.array([0.229,0.224,0.225])
inp=std*inp+mean
inp=np.clip(inp,0,1)
plt.imshow(inp)
iftitleisnotNone:
plt.title(title)
plt.pause(0.001)#为了让图像更新可以暂停一会
#Getabatchoftrainingdata
inputs,classes=next(iter(dataloaders['train']))
#print(inputs.size())
#print(inputs.size())
#Makeagridfrombatch
out=torchvision.utils.make_grid(inputs)
#print(out.size())
imshow(out,title=[class_names[x]forxinclasses])
deftrain_model(model,criterion,optimizer,scheduler,num_epochs=25):
since=time.time()
#best_model_wts=copy.deepcopy(model.state_dict())
best_acc=0.0
forepochinrange(num_epochs):
print('Epoch{}/{}'.format(epoch,num_epochs-1))
print('-'*10)
#Eachepochhasatrainingandvalidationphase
forphasein['train','val']:
ifphase=='train':
scheduler.step()
model.train()#Setmodeltotrainingmode
else:
model.eval()
running_loss=0.0
running_corrects=0
#Iterateoverdata
forinputs,labelsindataloaders[phase]:
inputs=inputs.to(device)
#print(inputs.size())
labels=labels.to(device)
#print(inputs.size())
#print(labels.size())
#zerotheparametergradients(参数梯度为零)
optimizer.zero_grad()
#forward
#trackhistoryifonlyintrain
withtorch.set_grad_enabled(phase=='train'):
outputs=model(inputs)
_,preds=torch.max(outputs,1)
loss=criterion(outputs,labels)
#backward+optimizeonlyifintrainingphase
ifphase=='train':
loss.backward()
optimizer.step()
#statistics
running_loss+=loss.item()*inputs.size(0)
running_corrects+=torch.sum(preds==labels.data)
ifphase=='train':
epoch_loss=running_loss/dataset_sizes[phase]
epoch_acc=running_corrects.double()/dataset_sizes[phase]
print('{}Loss:{:.4f}Acc:{:.4f}'.format(phase,epoch_loss,epoch_acc))
writer.add_scalar('Train/Loss',epoch_loss,epoch)
writer.add_scalar('Train/Acc',epoch_acc,epoch)
else:
epoch_loss=running_loss/dataset_sizes[phase]
epoch_acc=running_corrects.double()/dataset_sizes[phase]
print('{}Loss:{:.4f}Acc:{:.4f}'.format(phase,epoch_loss,epoch_acc))
writer.add_scalar('Test/Loss',epoch_loss,epoch)
writer.add_scalar('Test/Acc',epoch_acc,epoch)
ifepoch_acc>best_acc:
best_acc=epoch_acc
print()
writer.close()
time_elapsed=time.time()-since
print('Trainingcompletein{:.0f}m{:.0f}s'.format(
time_elapsed//60,time_elapsed%60))
print('BestvalAcc:{:4f}'.format(best_acc))
#loadbestmodelweights
#model.load_state_dict()#best_model_wts)
returnmodel
defvisualize_model(model,num_images=6):
was_training=model.training
model.eval()
images_so_far=0
plt.figure()
withtorch.no_grad():
fori,(inputs,labels)inenumerate(dataloaders['val']):
inputs=inputs.to(device)
labels=labels.to(device)
outputs=model(inputs)
_,preds=torch.max(outputs,1)
forjinrange(inputs.size()[0]):
images_so_far+=1
ax=plt.subplot(num_images//2,2,images_so_far)
ax.axis('off')
ax.set_title('predicted:{}'.format(class_names[preds[j]]))
imshow(inputs.cpu().data[j])
ifimages_so_far==num_images:
model.train(mode=was_training)
return
model.train(mode=was_training)
net=LeNet.LeNet5()
net=net.to(device)
criterion=nn.CrossEntropyLoss()
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
exp_lr_scheduler=lr_scheduler.StepLR(optimizer,step_size=7,gamma=0.1)
net=train_model(net,criterion,optimizer,exp_lr_scheduler,num_epochs=25)
#net1=train_model(net,criterion,optimizer,exp_lr_scheduler,num_epochs=25)
visualize_model(net)
plt.ioff()
plt.show()
最终的二分类结果为：
样本图像是pytorch官网中介绍迁移学习时用到的，蚂蚁与蜜蜂的二分类图像，图像大小不一。LeNet5的输入图像是32*32，所以进行分类时会损失一定的图像像素，导致识别率较低。
下面介绍显示loss和acc曲线，在以上训练代码中，writer=SummaryWriter('LeNet5')，表示在训练过程中会生成LeNet5文件夹，保存loss曲线和acc曲线的文件，如下图：
首先解释一下这个文件夹为什么是1，因为我之前训练了很多次，在LeNet5文件夹下有很多1文件夹中这样的文件，待会用AnacondaPrompt来显示loss和acc的时候，它只识别一个文件，所以我就重新建了一个1文件夹，并将刚刚运行完毕的文件放到文件夹中。在LeNet_train_test.py中，writer.add_scalar('Train/Loss',epoch_loss,epoch)和
writer.add_scalar('Train/Acc',epoch_acc,epoch)，这两行代码就是生成train数据集的loss和acc曲线，同理测试数据集亦是如此。
好啦，下面开始显示loss和acc:
1.打开AnacondaPrompt，再次进入pytorch虚拟环境，
2.输入tensorboard--logdir=C:\Users\Administrator\.spyder-py3\python\pytorch\LeNet\LeNet5\1,红色部分是来自上图文件夹的根目录，按回车键，会出现tensorboard的版本和一个网址，总体显示效果如下图：
复制网址到浏览器中，在此处是复制：http://8AEYUVZ5PNOFCBX:6006到浏览器中，
最终结果如下图：
好啦，以上就是如何显示loss曲线和acc曲线以及LeNet5模型建立及训练的过程啦。
如果，文中有哪些地方描述的不恰当，请大家批评指正，不喜欢也不要喷我，好不好~~~
以上这篇pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。