深度学习工作流程（基于PyTorch）
一个完整的深度学习工作流程涉及处理数据、创建模型、优化参数和保存模型等步骤。
这篇blog提供了一个在FashionMNIST数据集上训练的一个图片分类网络实例，提供了一个较为规范的工作流程模板。
处理数据
PyTorch有两个处理数据的方法：Torch.utils.data.DataLoader和Torch.utils.data.Dataset。Dataset存储了样本及其相应的标签，而DataLoader则围绕Dataset包装了一个可迭代数据容器。
| Python |
|---|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28 | import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose
import matplotlib.pyplot as plt
# 下载训练集
training_data = datasets.FashionMNIST(
root='data',
train=True,
download=True,
transform=ToTensor(),
)
# 下载测试集
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor(),
)
batch_size = 64 # 设置批量大小
# 创建data_loaders，可迭代数据集，迭代的每一个元素将返回一个批次，包括批量大小个元素的特征和标签
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)
|
创建模型
| Python |
|---|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21 | device = "cuda" if torch.cuda.is_available() else "cpu"
# 定义模型
class NeuralNetwork(nn.Module):
def __init__(self): # 初始化函数
super(NeauralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10)
)
def forward(self, x): # 前向传播函数
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
model = NearalNetwork().to(device)
|
优化参数
| Python |
|---|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51 | # 定义损失函数，评价模型预测结果与真实结果间的差距
loss_fn = nn.CrossEntropyLoss()
# 定义优化器，调整参数来缩小预测结果和真实结果的差距
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
# 定义训练函数
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
model.train() # 设置为训练模式（optimizing enable）
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device)
# 计算损失
pred = model(X)
loss = loss_fn(pred, y)
# 反向传播
optimizer.zero_grad() # 梯度清零
loss.backward() # 误差反传
optimizer.step() # 一步更新
# 固定批次打印训练信息
if batch % 100 == 0
loss, current = loss.item(), batch * len(X)
print(f'loss: {loss:>7f} [{current:>5d}/{size:>5d}]')
# 定义测试函数
def test(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batchs = len(dataloader)
model.eval() # 设置为测试模式（optimizing disable）
test_loss, correct = 0, 0
with torch.no_grad(): # 不计算梯度，节省空间
for X, y in dataloader:
X, y = X.to_device(), y.to_device()
pred = model(X)
test_loss += loss_fn(pred, y).item() # tensor.item()转换成标量
correct += (pred.argmax(1) == y).type(torch.float).sum().item() # 计算正确预测个数
test_loss /= num_batches # 单批次平均训练损失
correct /= size # 精确度
print(f'Test Error: \n Accuracy: {*(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n')
# 训练过程通过几个epoch进行，模型在每一个epoch中进行参数更新
# 我们希望看到准确度在每个epoch中增加，损失在每个epoch中减少
epochs = 5
for t in range(epochs):
print(f'Epoch {t+1}\n-----------------------------')
train(train_dataloader, model, loss_fn, optimizer)
test(test_dataloader, model, loss_fn)
print("Done!")
|
保存模型
| Python |
|---|
| # 序列化内部状态字典（包含模型参数）
torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model state to model.pth")
|
载入模型并预测
| Python |
|---|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22 | model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))
classes = [
"T-shirt/top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
]
model.eval()
x, y = test_data[0][0], test_data[0][1]
with torch.no_grad():
pred = model(x)
predicted, actual = classes[pred[0].argmax(0)], classes[y]
print(f'Predicted: "{predicted}", Actual: "{actual}"')
|
总结
以上内容展示了完成一项深度学习基本任务所需要的全部工作流程, 在完成一项实际任务时，大致需要经过一下几个步骤：
-
确定数据对象，选择合适的批量大小，创建Data Loader完成数据的批量预加载（一般分为训练集和测试集，实际问题中为了调参往往会增设k折交叉验证）。
-
根据问题需要构造合适的网络模块，完成模型声明与实例化。
-
选择合适的损失函数和优化器，在合适的迭代次数内对模型进行参数更新，并不断通过验证集准确率与损失大小确定模型是否处于学习状态（即是否未发生欠拟合/过拟合）。
-
保存模型内部参数（保存序列化内部状态字典），需要使用时实例化模型并加载参数，即可进行预测任务。