【深度学习笔记】-代码解读1

MengYa_DreamZ

1028人浏览 · 2021-11-05 21:27:02

MengYa_DreamZ · 2021-11-05 21:27:02 发布

代码借鉴-很好的入门资源推荐
(11条消息) 「深度学习一遍过」必修1：Windows10 下 Pytorch 的安装与环境配置_荣仔的博客-CSDN博客

在原博主的代码上，进一步进行注释~

from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable

# Training settings 训练设置
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
# 训练中 输入的batch大小
parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                    help='input batch size for training (default: 64)')
# 测试中 输入的batch大小
parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                    help='input batch size for testing (default: 1000)')
# add_argument函数的metavar参数，用来控制部分命令行参数的显示，
# 注意：它只是影响部分参数的显示信息，不影响代码内部获取命令行参数的对象。
# https://www.pynote.net/archives/2119?unapproved=629&moderation-hash=e1bce4a4bdabcdb2687b5b291219a8b8#comment
parser.add_argument('--epochs', type=int, default=10, metavar='N',
                    help='number of epochs to train (default: 10)')
# epochs循环10次
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                    help='learning rate (default: 0.01)')
# Lr 学习效率
parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                    help='SGD momentum (default: 0.5)')
# 保持速度，不断用梯度对其进行更新。利用摩擦系数使得速度慢慢减小，直到停在极小值点。相当于梯度的平滑移动。
parser.add_argument('--no-cuda', action='store_true', default=False,
                    help='disables CUDA training')
# disables CUDA training
parser.add_argument('--seed', type=int, default=1, metavar='S',
                    help='random seed (default: 1)')
# seed()方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数
# https://www.jianshu.com/p/551a95290645
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                    help='how many batches to wait before logging training status')
# 记录训练状态时，batch等待的数量
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()

torch.manual_seed(args.seed)  # 为CPU设置种子用于生成随机数，以使得结果是确定的
if args.cuda:
    torch.cuda.manual_seed(args.seed)  # 为当前GPU设置随机种子；如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。

kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
"""加载数据。组合数据集和采样器，提供数据上的单或多进程迭代器
参数：
dataset：Dataset类型，从其中加载数据
batch_size：int，可选。每个batch加载多少样本
shuffle：bool，可选。为True时表示每个epoch都对数据进行洗牌
sampler：Sampler，可选。从数据集中采样样本的方法。
num_workers：int，可选。加载数据时使用多少子进程。默认值为0，表示在主进程中加载数据。
collate_fn：callable，可选。
pin_memory：bool，可选
drop_last：bool，可选。True表示如果最后剩下不完全的batch,丢弃。False表示不丢弃。
"""
# 训练为真
# pytorch 中的 transformer.compose()函数
# torchvision.transforms是pytorch中的图像预处理包。
# 一般用Compose把多个步骤整合到一起
# ToTensor：convert 转换 a PIL image to tensor (H*W*C) in range [0,255] to a torch.Tensor(C*H*W) in the range [0.0,1.0]
# PIL-python Image Library-python第三方处理软件 https://blog.csdn.net/leemboy/article/details/83792729
# Normalize：Normalized an tensor image with mean and standard deviation （正则化 image-通过标准差和平方差 ）

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=args.batch_size, shuffle=True, **kwargs)
# shuffle=True用于打乱数据集，每次都会以不同的顺序返回。
# *args就是传递一个可变参数列表给函数实参，这个参数列表的数目未知，甚至长度可以为0。
# **kwargs是将一个可变的关键字参数的字典传给函数实参，同样参数列表长度可以为0或为其他值。
# 训练为假
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False,
                   transform=transforms.Compose([
                      transforms.ToTensor(),
                      transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=args.batch_size, shuffle=True, **kwargs)


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)  # 输入和输出通道数分别为1和10
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)  # 输入和输出通道数分别为10和20
        self.conv2_drop = nn.Dropout2d()  # 随机选择输入的信道，将其设为0
        self.fc1 = nn.Linear(320, 50)  # 输入的向量大小和输出的大小分别为320和50
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))  # conv->max_pool->relu
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))  # conv->dropout->max_pool->relu
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))  # fc->relu
        x = F.dropout(x, training=self.training)  # dropout
        x = self.fc2(x)
        return F.log_softmax(x)


model = Net()
if args.cuda:
    model.cuda()  # 将所有的模型参数移动到GPU上
# 优化器optimizer-
# 用来优化梯度下降用的，为了防止求得的最优解是局部最优解而不是全局最优解
# 配置变量：learningRate（梯度下降速率），learningRateDecay（梯度下降速率的衰减），weightDecay（权重衰减），momentum（动量 or 冲量）等等
optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)


def train(epoch):
    model.train()
    # 把module设成training模式，对Dropout和BatchNorm有影响
    for batch_idx, (data, target) in enumerate(train_loader):
        if args.cuda:
            data, target = data.cuda(), target.cuda()
            data, target = Variable(data), Variable(target)
        # Variable类对Tensor对象进行封装，会保存该张量对应的梯度，以及对生成该张量的函数grad_fn的一个引用。
        # 如果该张量是用户创建的，grad_fn是None，称这样的Variable为叶子Variable。
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)  # 负log似然损失
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))


def test(epoch):
    model.eval()  # 把module设置为评估模式，只对Dropout和BatchNorm模块有影响
    test_loss = 0
    correct = 0
    for data, target in test_loader:
        if args.cuda:
            data, target = data.cuda(), target.cuda()
        data, target = Variable(data, volatile=True), Variable(target)
        output = model(data)
        test_loss += F.nll_loss(output, target).item()  # Variable.data
        pred = output.data.max(1)[1]
        # get the index of the max log-probability 最大对数概率
        correct += pred.eq(target.data).cpu().sum()

    test_loss = test_loss
    test_loss /= len(test_loader)
    # loss function already averages over batch size
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))


if __name__ == '__main__':
    for epoch in range(1, args.epochs + 1):
        #rain(epoch)
        test(epoch)