pytorch加载的pth文件 pytorch 数据加载

文章目录

• 数据加载

• 1、为何在模型中使用数据加载器
• 2、数据集类

• 2.1 Dataset基类介绍
• 2.2 案例
• 2.3 迭代数据集

• 3、自带数据集

• 3.1 torchversion.datasets

• 4、实现手写数字识别

• 4.1 思路和流程分析
• 4.2 准备训练集和测试集
• 4.3 构建模型
• 4.4 损失函数
• 4.5 训练模型
• 4.6 模型保存和加载
• 4.7 模型评估

数据加载

1、为何在模型中使用数据加载器

• 在前面的线性回归模型中，我们使用的数据很少，所以直接把全部数据放到模型中去使用。
• 但是在深度学习中，数据量通常是都非常多，非常大的，如此大量的数据，不可能一次性的在模型中进行向前的计算和反向传播，经常我们会对整个数据进行随机的打乱顺序，把数据处理成一个个的batch，同时还会对数据进行预处理。

2、数据集类

2.1 Dataset基类介绍

通常继承torch.until.data.Dataset实现对数据集的加载。

class Dataset(object):
    r"""An abstract class representing a :class:`Dataset`.

    All datasets that represent a map from keys to data samples should subclass
    it. All subclasses should overwrite :meth:`__getitem__`, supporting fetching a
    data sample for a given key. Subclasses could also optionally overwrite
    :meth:`__len__`, which is expected to return the size of the dataset by many
    :class:`~torch.utils.data.Sampler` implementations and the default options
    of :class:`~torch.utils.data.DataLoader`.

    .. note::
      :class:`~torch.utils.data.DataLoader` by default constructs a index
      sampler that yields integral indices.  To make it work with a map-style
      dataset with non-integral indices/keys, a custom sampler must be provided.
    """

    def __getitem__(self, index):
        raise NotImplementedError

    def __add__(self, other):
        return ConcatDataset([self, other])

    # No `def __len__(self)` default?
    # See NOTE [ Lack of Default `__len__` in Python Abstract Base Classes ]
    # in pytorch/torch/utils/data/sampler.py

2.2 案例

# -*- coding: utf-8 -*-
""" @Time : 2021/5/17 9:28
 @Author : XXX
 @Site : 
 @File : DemoGetData.py
 @Software: PyCharm 
"""
from torch.utils.data import Dataset

class MyDLoadData(Dataset):

    def __init__(self):
        self.file = open('../databases/test.txt').readlines()

    def __getitem__(self, item):

        return self.file[item]

    def __len__(self):

        return len(self.file)


if __name__ == '__main__':
    data =MyDLoadData()
    print("第一行的数据为：",data[1])
    print("该数据集的长度为：",len(data))

运行结果

2.3 迭代数据集

• 批处理数据(Batching the data)
• 打乱数据(Shuffling the data)
• 使用多线程mu1tiprocessing 并行加载数据。
  在pytorch中torch.until. data.DataLpader提供了上述的所用方法

# -*- coding: utf-8 -*-
""" @Time : 2021/5/17 9:28
 @Author : XXX
 @Site : 
 @File : DemoGetData.py
 @Software: PyCharm 
"""
from torch.utils.data import DataLoader, Dataset


class MyDLoadData(Dataset):

    def __init__(self):
        self.file = open('../databases/test.txt').readlines()

    # 对数据进行处理返回
    def __getitem__(self, item):

        return self.file[item]

    # 返回数据的长度
    def __len__(self):

        return len(self.file)



if __name__ == '__main__':

    my_data = MyDLoadData()
    data_load = DataLoader(dataset=my_data, batch_size=2, shuffle=True, num_workers=2)
    """
    参数：
        · dataset：提前定义的dataset的实例；
        · batch_size：传入数据的batch的大小，常用128/256；
        · shuffle：【bool】获取数据的时候是否打乱；
        · num_workers：加载数据的线程数。 
    *** 注意：数据总长度的：batch_size*len(data_load)
    """
    for i in data_load:
        print(i)
        break

3、自带数据集

• torchvision：提供对图片数据处理相关的API和数据。

• 数据位置：torchvision.datasets

• torchtext：提供了对文本数据处理相关的API和数据。

• 数据位置：torchtext.datasets

3.1 torchversion.datasets

torchvision.datasets.MNIST(root='files', train, download, transform)
"""
参数：
	· root：参数表示数据存放的位置；
	· train：【bool】使用训练集的数据还是测试集的数据；
	· download：【bool】是否需要下载数据到root目录；
	· transform：实现的对图片的处理函数。
"""

下载

MNIST是由Yann Lecun等人提供的免费的图像识别的数据集，其中包括60000个训练样本和10000个测试样本，其中图拍了的尺寸已经进行的标准化的处理，都是黑白的图像，大小为28×28

import torchvision

dataset = torchvision.datasets.MNIST(root='../databases', download=True)

4、实现手写数字识别

4.1 思路和流程分析

• 准备数据
• 构建模型
• 模型训练
• 模型评估
• 保存模型

4.2 准备训练集和测试集

下载数据：

torchvision.datasets.MNIST(root='files', train, download, transform) 使用这个下载即可

数据处理：

ToTensor：

• torchvision.transforms.ToTensor：把一个取值范围是[0, 255]的PIL.Image或者shape为(H,W,C)的numpy.ndarray，转换形状为[C,H,W]，取值范围是[0,1,0]的torch.FloatTensor。
• 其中(H,W,C)为(高，宽，通道数)，黑白图片的通道数只有1，其中每个像素点的取值为[0,255]，彩色图片的通道数为(R,G,B)每个通道的每个像素点的取值为[0,255]，三个通道的颜色相互叠加，形成了各种颜色。

result = transform.ToTensor()(dataset[0][0])

Normalize：

• torchvision.transforms.Normalize(mean, std)

• 给定均值：mean，shape和图片的通道数相同(指的是每个通道的均值)，方差：std，和图片的通道数(指的是每个通道的方差)，将会把Tensor规范化处理。=>Normalized_image = (image-mean)/std。

Compose(transforms)

• 使用列表的存储方式，将多个transform组合起来。

4.3 构建模型

• 激活函数：torch.nn.functional

• 原始输入数据的形状：[batch_size, 1，28, 28]；
• 进行形状的修改：[batch_size, 28*28]（全连接层是在进行矩阵的乘法操作）；
• 第一个全连接层的输出形状：[batch_size, 28]；
• 激活函数不会修改数据的形状；
• 第二个全连接层的输出形状：[batch_size, 10] 10个类别。

4.4 损失函数

对于二分类，我们使用sigmoid计算对数似然损失，来定义二分类的损失。

• 在二分类中我们有正类和负类，正类的概率为：，而父类的概率：1-P(x)；
• 将这个结果进行计算对数似然损失就可以到的最终的损失。

而对于多分类，我们使用softmax函数，与sigmoid的区别在于我们需要去计算样本属于每个类别的概率，需要计算多次，而sigmoid只需计算一次。

例如：输入2.3，2.4，5.6后的结果为：

在经过前面的计算后，还需要进行对数似然损失的计算得到交叉熵损失。

实现损失的俩种方法

# 第一种
criterion = nn.CrossEntropyLoss()
loss = criterion(input, targtet)

# 第二种
# 对输出值计算softmax和取对数
output = F.log_softmax(x, dim=-1)
# 使用带权损失
loss = F.nll_loss(output, target)

带权损失定义：ln = -Σwi*xi，log§作为xi，真实值Y作为权重。

4.5 训练模型

• 实例化模型
• 实例化优化器，实例化损失函数
• 获取，遍历dataloder
• 梯度置为0
• 进行向前计算
• 计算损失
• 反向传播
• 更新参数

4.6 模型保存和加载

模型保存：

torch.save(mnist_net.state_dict(), 保存路径)torch.save(optimizer.state_dict(),保存路径)

模型加载

mnist_net.load_state_dict(torch.load(保存路径))optimizer.load_state_dict(torch.load(保存路径))

4.7 模型评估

• 不需要计算梯度；
• 需要收集损失和准确率，用来计算平均损失和平均准确率；
• 损失的计算和训练时候损失的计算方法相同；
• 准确率的计算:

• 模型的输出为[batch_size,10]的形状；
• 其中最大值的位置就是其预测的目标值（预测值进行过sotfmax后为概率,sotfmax中分母都是相同的，分子越大，概率越大)；
• 最大值的位置获取的方法可以使用torch.max ,返回最大值和最大值的位置；
• 返回最大值的位置后，和真实值（ [batch_size]）进行对比，相同表示预测成功。