这篇教程Python 实现LeNet网络模型的训练及预测写得很实用，希望能帮到您。
1.LeNet模型训练脚本整体的训练代码如下，下面我会为大家详细讲解这些代码的意思 import torchimport torchvisionfrom torchvision.transforms import transformsimport torch.nn as nnfrom torch.utils.data import DataLoaderfrom pytorch.lenet.model import LeNetimport torch.optim as optimimport numpy as npimport matplotlib.pyplot as plttransform = transforms.Compose( # 将数据集转换成tensor形式 [transforms.ToTensor(), # 进行标准化，0.5是均值，也是方差，对应三个维度都是0.5 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])# 下载完整的数据集时，download=True，第一个为保存的路径，下载完后download要改为False# 为训练集时，train=True，为测试集时，train=Falsetrain_set = torchvision.datasets.CIFAR10('./data', train=True, download=False, transform=transform)# 加载训练集，设置批次大小，是否打乱，number_works是线程数，window不设置为0会报错，linux可以设置非零train_loader = DataLoader(train_set, batch_size=36, shuffle=True, num_workers=0)test_set = torchvision.datasets.CIFAR10('./data', train=False, download=False, transform=transform)# 设置的批次大小一次性将所有测试集图片传进去test_loader = DataLoader(test_set, batch_size=10000, shuffle=False, num_workers=0)# 迭代测试集的图片数据和标签值test_img, test_label = next(iter(test_loader))# CIFAR10的十个类别名称classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')# # ----------------------------显示图片-----------------------------------# def imshow(img, label):# fig = plt.figure()# for i in range(len(img)):# ax = fig.add_subplot(1, len(img), i+1)# nping = img[i].numpy().transpose([1, 2, 0])# npimg = (nping * 2 + 0.5)# plt.imshow(npimg)# title = '{}'.format(classes[label[i]])# ax.set_title(title)# plt.axis('off')# plt.show()# # # batch_image = test_img[: 5]# label_img = test_label[: 5]# imshow(batch_image, label_img)# # ----------------------------------------------------------------------net = LeNet()# 定义损失函数，nn.CrossEntropyLoss()自带softmax函数，所以模型的最后一层不需要softmax进行激活loss_function = nn.CrossEntropyLoss()# 定义优化器,优化网络模型所有参数optimizer = optim.Adam(net.parameters(), lr=0.001)# 迭代五次for epoch in range(5): # 初始损失设置为0 running_loss = 0 # 循环训练集,从1开始 for step, data in enumerate(train_loader, start=1): inputs, labels = data # 优化器的梯度清零,每次循环都需要清零,否则梯度会无限叠加,相当于增加批次大小 optimizer.zero_grad() # 将图片数据输入模型中 outputs = net(inputs) # 传入预测值和真实值,计算当前损失值 loss = loss_function(outputs, labels) # 损失反向传播 loss.backward() # 进行梯度更新 optimizer.step() # 计算该轮的总损失，因为loss是tensor类型，所以需要用item()取具体值 running_loss += loss.item() # 每500次进行日志的打印，对测试集进行预测 if step % 500 == 0: # torch.no_grad()就是上下文管理，测试时不需要梯度更新，不跟踪梯度 with torch.no_grad(): # 传入所有测试集图片进行预测 outputs = net(test_img) # torch.max()中dim=1是因为结果为(batch, 10)的形式,我们只需要取第二个维度的最大值 # max这个函数返回[最大值, 最大值索引],我们只需要取索引就行了，所以用[1] predict_y = torch.max(outputs, dim=1)[1] # (predict_y == test_label)相同返回True,不相等返回False,sum()对正确率进行叠加 # 因为计算的变量都是tensor,所以需要用item()拿到取值 accuracy = (predict_y == test_label).sum().item() / test_label.size(0) # running_loss/500是计算每一个step的loss，即每一步的损失 print('[%d, %5d] train_loss: %.3f test_accuracy: %.3f' % (epoch+1, step, running_loss/500, accuracy)) running_loss = 0.0print('Finished Training!')save_path = 'lenet.pth'# 保存模型，字典形式torch.save(net.state_dict(), save_path)
(1).下载CIFAR10数据集首先要训练一个网络模型，我们需要足够多的图片做数据集，这里我们用的是torchvision.dataset为我们提供的CIFAR10数据集(更多的数据集可以去pytorch官网查看pytorch官网提供的数据集) train_set = torchvision.datasets.CIFAR10('./data', train=True, download=False, transform=transform)test_set = torchvision.datasets.CIFAR10('./data', train=False, download=False, transform=transform)这部分代码是下载CIFAR10，第一个参数是下载数据集后存放的路径，train=True和False对应下载的训练集和测试集，transform是对应的图像增强方式
(2).图像增强transform = transforms.Compose( # 将数据集转换成tensor形式 [transforms.ToTensor(), # 进行标准化，0.5是均值，也是方差，对应三个维度都是0.5 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) 这就是简单的图像图像增强，transforms.ToTensor()将数据集的所有图像转换成tensor， transforms.Normalize()是标准化处理，包含两个元组对应均值和标准差，每个元组包含三个元素对应图片的三个维度[channels, height, width]，为什么是这样排序，别问，问就是pytorch要求的，顺序不能变，之后会看到transforms.Normalize([0.485, 0.406, 0.456], [0.229, 0.224, 0.225])这两组数据，这是官方给出的均值和标准差，之后标准化的时候会经常用到
(3).加载数据集# 加载训练集，设置批次大小，是否打乱，number_works是线程数，window不设置为0会报错，linux可以设置非零train_loader = DataLoader(dataset=train_set, batch_size=36, shuffle=True, num_workers=0)test_loader = DataLoader(dataset=test_set, batch_size=36, shuffle=False, num_workers=0) 这里只简单的设置的四个参数也是比较重要的，第一个就是需要加载的训练集和测试集，shuffle=True表示将数据集打乱，batch_size表示一次性向设备放入36张图片，打包成一个batch,这时图片的shape就会从[3, 32, 32]----》[36, 3, 32, 32]，传入网络模型的shape也必须是[None, channels, height, width]，None代表一个batch多少张图片，否则就会报错，number_works是代表线程数，window系统必须设置为0，否则会报错，linux系统可以设置非0数
(4).显示部分图像def imshow(img, label): fig = plt.figure() for i in range(len(img)): ax = fig.add_subplot(1, len(img), i+1) nping = img[i].numpy().transpose([1, 2, 0]) npimg = (nping * 2 + 0.5) plt.imshow(npimg) title = '{}'.format(classes[label[i]]) ax.set_title(title) plt.axis('off') plt.show()batch_image = test_img[: 5]label_img = test_label[: 5]imshow(batch_image, label_img)这部分代码是显示测试集当中前五张图片，运行后会显示5张拼接的图片 
由于这个数据集的图片都比较小都是32x32的尺寸，有些可能也看的不太清楚，图中显示的是真实标签，注：显示图片的代码可能会这个报警(Clipping input data to the valid range for imshow with RGB data ([0…1] for floats or [0…255] for integers).)，警告解决的方法：将图片数组转成uint8类型即可，即 plt.imshow(npimg.astype(‘uint8')，但是那样显示出来的图片会变，所以暂时可以先不用管。
(5).初始化模型数据图片处理完了，下面就是我们的正式训练过程 net = LeNet()# 定义损失函数，nn.CrossEntropyLoss()自带softmax函数，所以模型的最后一层不需要softmax进行激活loss_function = nn.CrossEntropyLoss()# 定义优化器,优化模型所有参数optimizer = optim.Adam(net.parameters(), lr=0.001) 首先初始化LeNet网络,定义交叉熵损失函数，以及Adam优化器，关于注释写的，我们可以ctrl+鼠标左键查看CrossEntropyLoss()，翻到CrossEntropyLoss类，可以看到注释写的这个标准包含LogSoftmax函数，所以搭建LetNet模型的最后一层没有使用softmax激活函数 
(6).训练模型及保存模型参数for epoch in range(5): # 初始损失设置为0 running_loss = 0 # 循环训练集,从1开始 for step, data in enumerate(train_loader, start=1): inputs, labels = data # 优化器的梯度清零,每次循环都需要清零,否则梯度会无限叠加,相当于增加批次大小 optimizer.zero_grad() # 将图片数据输入模型中得到输出 outputs = net(inputs) # 传入预测值和真实值,计算当前损失值 loss = loss_function(outputs, labels) # 损失反向传播 loss.backward() # 进行梯度更新(更新W,b) optimizer.step() # 计算该轮的总损失，因为loss是tensor类型，所以需要用item()取到值 running_loss += loss.item() # 每500次进行日志的打印，对测试集进行测试 if step % 500 == 0: # torch.no_grad()就是上下文管理，测试时不需要梯度更新，不跟踪梯度 with torch.no_grad(): # 传入所有测试集图片进行预测 outputs = net(test_img) # torch.max()中dim=1是因为结果为(batch, 10)的形式,我们只需要取第二个维度的最大值，第二个维度是包含十个类别每个类别的概率的向量 # max这个函数返回[最大值, 最大值索引],我们只需要取索引就行了，所以用[1] predict_y = torch.max(outputs, dim=1)[1] # (predict_y == test_label)相同返回True,不相等返回False,sum()对正确结果进行叠加，最后除测试集标签的总个数 # 因为计算的变量都是tensor,所以需要用item()拿到取值 accuracy = (predict_y == test_label).sum().item() / test_label.size(0) # running_loss/500是计算每一个step的loss，即每一步的损失 print('[%d, %5d] train_loss: %.3f test_accuracy: %.3f' % (epoch+1, step, running_loss/500, accuracy)) running_loss = 0.0 print('Finished Training!')save_path = 'lenet.pth'# 保存模型，字典形式torch.save(net.state_dict(), save_path)这段代码注释写的很清楚，大家仔细看就能看懂，流程不复杂，多看几遍就能理解，最后再对训练好的模型进行保存就好了(*￣
Python
两个很实用的Python装饰器详解 |
