import torchvision
import torch
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time

# 定义训练的设备
#device = torch.device("cpu")
device = torch.device("cuda")   # 使用 GPU 方式一 
#device = torch.device("cuda:0") # 使用 GPU 方式二
#device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# from model import * 相当于把 model中的所有内容写到这里，这里直接把 model 写在这里
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()        
        self.model1 = nn.Sequential(
            nn.Conv2d(3,32,5,1,2),  # 输入通道3，输出通道32，卷积核尺寸5×5，步长1，填充2    
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),  # 展平后变成 64*4*4 了
            nn.Linear(64*4*4,64),
            nn.Linear(64,10)
        )
        
    def forward(self, x):
        x = self.model1(x)
        return x

# 准备数据集
train_data = torchvision.datasets.CIFAR10("./dataset",train=True,transform=torchvision.transforms.ToTensor(),download=True)       
test_data = torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)       

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10，则打印：训练数据集的长度为：10
print("训练数据集的长度：{}".format(train_data_size))
print("测试数据集的长度：{}".format(test_data_size))

# 利用 Dataloader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)        
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
tudui = Tudui() 
tudui = tudui.to(device) # 也可以不赋值，直接 tudui.to(device) 


# 损失函数
loss_fn = nn.CrossEntropyLoss() # 交叉熵，fn 是 fuction 的缩写
loss_fn = loss_fn.to(device) # 也可以不赋值，直接loss_fn.to(device)

# 优化器
learning = 0.01  # 1e-2 就是 0.01 的意思
optimizer = torch.optim.SGD(tudui.parameters(),learning)   # 随机梯度下降优化器  

# 设置网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0

# 训练的轮次
epoch = 30

# 添加 tensorboard
writer = SummaryWriter("logs")
start_time = time.time()

for i in range(epoch):
    print("-----第 {} 轮训练开始-----".format(i+1))
    
    # 训练步骤开始
    tudui.train() # 当网络中有dropout层、batchnorm层时，这些层能起作用
    for data in train_dataloader:
        imgs, targets = data            
        imgs = imgs.to(device) # 也可以不赋值，直接 imgs.to(device)
        targets = targets.to(device) # 也可以不赋值，直接 targets.to(device)
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets) # 计算实际输出与目标输出的差距
        
        # 优化器对模型调优
        optimizer.zero_grad()  # 梯度清零
        loss.backward() # 反向传播，计算损失函数的梯度
        optimizer.step()   # 根据梯度，对网络的参数进行调优
        
        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time) # 运行训练一百次后的时间间隔
            print("训练次数：{}，Loss：{}".format(total_train_step,loss.item()))  # 方式二：获得loss值
            writer.add_scalar("train_loss",loss.item(),total_train_step)
    
    # 测试步骤开始（每一轮训练后都查看在测试数据集上的loss情况）
    tudui.eval()  # 当网络中有dropout层、batchnorm层时，这些层不能起作用
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():  # 没有梯度了
        for data in test_dataloader: # 测试数据集提取数据
            imgs, targets = data # 数据放到cuda上
            imgs = imgs.to(device) # 也可以不赋值，直接 imgs.to(device)
            targets = targets.to(device) # 也可以不赋值，直接 targets.to(device)
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets) # 仅data数据在网络模型上的损失
            total_test_loss = total_test_loss + loss.item() # 所有loss
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy
            
    print("整体测试集上的Loss：{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss",total_test_loss,total_test_step)
    writer.add_scalar("test_accuracy",total_accuracy/test_data_size,total_test_step)  
    total_test_step = total_test_step + 1
    
    torch.save(tudui, "./model/tudui_{}.pth".format(i)) # 保存每一轮训练后的结果
    #torch.save(tudui.state_dict(),"tudui_{}.path".format(i)) # 保存方式二         
    print("模型已保存")
    
writer.close()

Files already downloaded and verified
Files already downloaded and verified
训练数据集的长度：50000
测试数据集的长度：10000
-----第 1 轮训练开始-----
5.685762882232666
训练次数：100，Loss：2.2807211875915527
6.8356146812438965
训练次数：200，Loss：2.2813711166381836
7.945774078369141
训练次数：300，Loss：2.2436840534210205
9.072552680969238
训练次数：400，Loss：2.139457941055298
10.142128705978394
训练次数：500，Loss：1.9927244186401367
11.256510734558105
训练次数：600，Loss：2.020139217376709
12.32331919670105
训练次数：700，Loss：1.9936145544052124
整体测试集上的Loss：305.39513182640076
整体测试集上的正确率：0.29249998927116394
模型已保存
-----第 2 轮训练开始-----
14.885101795196533
训练次数：800，Loss：1.8381659984588623
15.946402072906494
训练次数：900，Loss：1.8096566200256348
17.04418158531189
训练次数：1000，Loss：1.8778941631317139
18.129207611083984
训练次数：1100，Loss：1.943365216255188
19.237319469451904
训练次数：1200，Loss：1.6915777921676636
20.327224731445312
训练次数：1300，Loss：1.6145961284637451
21.416797161102295
训练次数：1400，Loss：1.6929054260253906
22.50489115715027
训练次数：1500，Loss：1.7844973802566528
整体测试集上的Loss：288.42822670936584
整体测试集上的正确率：0.33959999680519104
模型已保存
-----第 3 轮训练开始-----
25.12572717666626
训练次数：1600，Loss：1.7492048740386963
26.190120220184326
训练次数：1700，Loss：1.6514606475830078
27.24756360054016
训练次数：1800，Loss：1.9523682594299316
28.325439929962158
训练次数：1900，Loss：1.6749478578567505
29.425256729125977
训练次数：2000，Loss：1.8842331171035767
30.521796941757202
训练次数：2100，Loss：1.498270034790039
31.60054850578308
训练次数：2200，Loss：1.479935646057129
32.69549083709717
训练次数：2300，Loss：1.7259459495544434
整体测试集上的Loss：261.9053739309311
整体测试集上的正确率：0.3955000042915344
模型已保存
-----第 4 轮训练开始-----
35.35346078872681
训练次数：2400，Loss：1.7560359239578247
36.50753092765808
训练次数：2500，Loss：1.3551620244979858
37.62624526023865
训练次数：2600，Loss：1.583783745765686
38.73269581794739
训练次数：2700，Loss：1.6835883855819702
39.81805419921875
训练次数：2800，Loss：1.5066486597061157
40.89897561073303
训练次数：2900，Loss：1.6178346872329712
41.978501081466675
训练次数：3000，Loss：1.3419572114944458
43.079394578933716
训练次数：3100，Loss：1.5225186347961426
整体测试集上的Loss：253.58813428878784
整体测试集上的正确率：0.4153999984264374
模型已保存
-----第 5 轮训练开始-----
45.72289848327637
训练次数：3200，Loss：1.3623679876327515
46.82145309448242
训练次数：3300，Loss：1.4360203742980957
47.88934278488159
训练次数：3400，Loss：1.5007973909378052
48.98452544212341
训练次数：3500，Loss：1.5463669300079346
50.044403076171875
训练次数：3600，Loss：1.6122682094573975
51.145737409591675
训练次数：3700，Loss：1.3164969682693481
52.224546670913696
训练次数：3800，Loss：1.2721624374389648
53.316651582717896
训练次数：3900，Loss：1.4059081077575684
整体测试集上的Loss：243.6600570678711
整体测试集上的正确率：0.43849998712539673
模型已保存
-----第 6 轮训练开始-----
55.939093828201294
训练次数：4000，Loss：1.3896945714950562
57.10062837600708
训练次数：4100，Loss：1.4203869104385376
58.1853346824646
训练次数：4200，Loss：1.5092504024505615
59.27726936340332
训练次数：4300，Loss：1.2549546957015991
60.38215517997742
训练次数：4400，Loss：1.1557636260986328
61.462907552719116
训练次数：4500，Loss：1.3356294631958008
62.57123851776123
训练次数：4600，Loss：1.4316595792770386
整体测试集上的Loss：233.62617886066437
整体测试集上的正确率：0.45909997820854187
模型已保存
-----第 7 轮训练开始-----
65.19007658958435
训练次数：4700，Loss：1.2923930883407593
66.32417273521423
训练次数：4800，Loss：1.514396071434021
67.48048806190491
训练次数：4900，Loss：1.3450605869293213
68.62122654914856
训练次数：5000，Loss：1.4084830284118652
69.71917247772217
训练次数：5100，Loss：0.9838876724243164
70.81213164329529
训练次数：5200，Loss：1.2724872827529907
71.89973473548889
训练次数：5300，Loss：1.24579656124115
73.00568556785583
训练次数：5400，Loss：1.3361798524856567
整体测试集上的Loss：224.09909868240356
整体测试集上的正确率：0.4838999807834625
模型已保存
-----第 8 轮训练开始-----
75.59451961517334
训练次数：5500，Loss：1.1921392679214478
76.7000367641449
训练次数：5600，Loss：1.2488406896591187
77.77421236038208
训练次数：5700，Loss：1.1721949577331543
78.86560225486755
训练次数：5800，Loss：1.2595291137695312
79.94558382034302
训练次数：5900，Loss：1.3135168552398682
81.05635809898376
训练次数：6000，Loss：1.5763839483261108
82.18682670593262
训练次数：6100，Loss：0.9930293560028076
83.2471137046814
训练次数：6200，Loss：1.078225016593933
整体测试集上的Loss：212.63363873958588
整体测试集上的正确率：0.5137999653816223
模型已保存
-----第 9 轮训练开始-----
85.80370163917542
训练次数：6300，Loss：1.3991423845291138
86.89490747451782
训练次数：6400，Loss：1.1313153505325317
87.96531939506531
训练次数：6500，Loss：1.629166841506958
89.07308554649353
训练次数：6600，Loss：1.0727297067642212
90.15298676490784
训练次数：6700，Loss：1.082014799118042
91.23814225196838
训练次数：6800，Loss：1.1563323736190796
92.33663129806519
训练次数：6900，Loss：1.1622871160507202
93.4073634147644
训练次数：7000，Loss：0.9779142141342163
整体测试集上的Loss：203.43007349967957
整体测试集上的正确率：0.5370000004768372
模型已保存
-----第 10 轮训练开始-----
96.12465476989746
训练次数：7100，Loss：1.284026861190796
97.21656942367554
训练次数：7200，Loss：1.000484824180603
98.30963373184204
训练次数：7300，Loss：1.09619140625
99.4168176651001
训练次数：7400，Loss：0.843334436416626
100.56277847290039
训练次数：7500，Loss：1.2291951179504395
101.66866254806519
训练次数：7600，Loss：1.2535988092422485
102.83877515792847
训练次数：7700，Loss：0.9017428755760193
103.93982768058777
训练次数：7800，Loss：1.237086534500122
整体测试集上的Loss：195.0189254283905
整体测试集上的正确率：0.560699999332428
模型已保存
-----第 11 轮训练开始-----
106.55706119537354
训练次数：7900，Loss：1.4266151189804077
107.71211099624634
训练次数：8000，Loss：1.1279882192611694
108.82028222084045
训练次数：8100，Loss：1.0164259672164917
109.90560793876648
训练次数：8200，Loss：1.326285719871521
111.01533007621765
训练次数：8300，Loss：1.2919878959655762
112.09464716911316
训练次数：8400，Loss：1.1172809600830078
113.18349170684814
训练次数：8500，Loss：1.238521695137024
114.26246976852417
训练次数：8600，Loss：0.9506199359893799
整体测试集上的Loss：189.5619250535965
整体测试集上的正确率：0.5791000127792358
模型已保存
-----第 12 轮训练开始-----
116.91842579841614
训练次数：8700，Loss：1.2369173765182495
117.99103927612305
训练次数：8800，Loss：1.364282250404358
119.09814977645874
训练次数：8900，Loss：1.0267009735107422
120.21280121803284
训练次数：9000，Loss：1.1791435480117798
121.33650541305542
训练次数：9100，Loss：1.088217854499817
122.4616470336914
训练次数：9200，Loss：1.0550415515899658
123.55414509773254
训练次数：9300，Loss：1.1007109880447388
整体测试集上的Loss：185.11176592111588
整体测试集上的正确率：0.5916999578475952
模型已保存
-----第 13 轮训练开始-----
126.1269052028656
训练次数：9400，Loss：0.9525507688522339
127.21744632720947
训练次数：9500，Loss：1.326805830001831
128.30660438537598
训练次数：9600，Loss：1.1132607460021973
129.3770444393158
训练次数：9700，Loss：1.107414960861206
130.55656147003174
训练次数：9800，Loss：0.9924419522285461
131.65843152999878
训练次数：9900，Loss：0.9918938279151917
132.75958061218262
训练次数：10000，Loss：0.9259409308433533
133.84795117378235
训练次数：10100，Loss：0.9180102944374084
整体测试集上的Loss：181.06443816423416
整体测试集上的正确率：0.6044999957084656
模型已保存
-----第 14 轮训练开始-----
136.49927639961243
训练次数：10200，Loss：0.8106740117073059
137.60312509536743
训练次数：10300，Loss：0.9383634924888611
138.7491099834442
训练次数：10400，Loss：1.1004360914230347
139.85301280021667
训练次数：10500，Loss：0.7797534465789795
140.99656891822815
训练次数：10600，Loss：0.9295462965965271
142.11146521568298
训练次数：10700，Loss：0.7535973787307739
143.27931904792786
训练次数：10800，Loss：0.8077783584594727
144.41241145133972
训练次数：10900，Loss：0.9719076752662659
整体测试集上的Loss：177.12851840257645
整体测试集上的正确率：0.6136999726295471
模型已保存
-----第 15 轮训练开始-----
147.15464234352112
训练次数：11000，Loss：1.2142902612686157
148.30661296844482
训练次数：11100，Loss：0.8816019892692566
149.50865268707275
训练次数：11200，Loss：1.0662524700164795
150.67739176750183
训练次数：11300，Loss：1.1508761644363403
151.86311507225037
训练次数：11400，Loss：0.7579834461212158
153.0713450908661
训练次数：11500，Loss：1.0883594751358032
154.2581102848053
训练次数：11600，Loss：0.9534128308296204
155.4750611782074
训练次数：11700，Loss：0.89979088306427
整体测试集上的Loss：173.94284933805466
整体测试集上的正确率：0.6227999925613403
模型已保存
-----第 16 轮训练开始-----
158.27037262916565
训练次数：11800，Loss：0.9032186269760132
159.4713671207428
训练次数：11900，Loss：0.9124546647071838
160.67075204849243
训练次数：12000，Loss：0.8445446491241455
161.83198595046997
训练次数：12100，Loss：0.955165684223175
162.96881914138794
训练次数：12200，Loss：0.9986395239830017
164.14015531539917
训练次数：12300，Loss：0.9039932489395142
165.3250858783722
训练次数：12400，Loss：0.8506217002868652
166.47599816322327
训练次数：12500，Loss：0.6279873251914978
整体测试集上的Loss：172.14941000938416
整体测试集上的正确率：0.6277999877929688
模型已保存
-----第 17 轮训练开始-----
169.21585369110107
训练次数：12600，Loss：0.7518970966339111
170.3824064731598
训练次数：12700，Loss：0.9215213656425476
171.5670850276947
训练次数：12800，Loss：0.8257154226303101

172.7262568473816
训练次数：12900，Loss：1.0514277219772339
173.88416504859924
训练次数：13000，Loss：0.989711582660675
175.0773892402649
训练次数：13100，Loss：0.6482387185096741
176.22362112998962
训练次数：13200，Loss：0.770613968372345
整体测试集上的Loss：170.60762631893158
整体测试集上的正确率：0.6316999793052673
模型已保存
-----第 18 轮训练开始-----
178.91316437721252
训练次数：13300，Loss：0.9861776232719421
180.09528851509094
训练次数：13400，Loss：0.7526777386665344
181.2844262123108
训练次数：13500，Loss：0.8348026275634766
182.45123887062073
训练次数：13600，Loss：1.4109115600585938
183.62940311431885
训练次数：13700，Loss：0.7218388915061951
184.82756924629211
训练次数：13800，Loss：0.972119927406311
186.01035046577454
训练次数：13900，Loss：0.6937052607536316
187.19038343429565
训练次数：14000，Loss：0.7990372180938721
整体测试集上的Loss：168.84090358018875
整体测试集上的正确率：0.6358000040054321
模型已保存
-----第 19 轮训练开始-----
189.9926517009735
训练次数：14100，Loss：1.0224566459655762
191.18131160736084
训练次数：14200，Loss：0.8821209073066711
192.36730790138245
训练次数：14300，Loss：0.8973230123519897
193.5643389225006
训练次数：14400，Loss：0.9536952376365662
194.80951523780823
训练次数：14500，Loss：0.8836072087287903
196.0265154838562
训练次数：14600，Loss：1.071815013885498
197.24265241622925
训练次数：14700，Loss：0.8254064321517944
198.45570874214172
训练次数：14800，Loss：1.2353284358978271
整体测试集上的Loss：168.32685685157776
整体测试集上的正确率：0.6360999941825867
模型已保存
-----第 20 轮训练开始-----
201.18919134140015
训练次数：14900，Loss：0.6770450472831726
202.36627554893494
训练次数：15000，Loss：0.8657706379890442
203.52704691886902
训练次数：15100，Loss：0.7141180634498596
204.7052822113037
训练次数：15200，Loss：0.9444342851638794
205.86877846717834
训练次数：15300，Loss：0.6069492101669312
207.05544352531433
训练次数：15400，Loss：0.8864141702651978
208.22029948234558
训练次数：15500，Loss：0.9243060946464539
209.3724765777588
训练次数：15600，Loss：0.771957516670227
整体测试集上的Loss：168.21677833795547
整体测试集上的正确率：0.6384999752044678
模型已保存
-----第 21 轮训练开始-----
212.11495280265808
训练次数：15700，Loss：0.7191241979598999
213.31386590003967
训练次数：15800，Loss：0.9433155655860901
214.48469805717468
训练次数：15900，Loss：0.9915865063667297
215.691748380661
训练次数：16000，Loss：0.8580103516578674
216.85657501220703
训练次数：16100，Loss：0.7295430302619934
218.0546896457672
训练次数：16200，Loss：0.9427600502967834
219.23864316940308
训练次数：16300，Loss：0.6932554244995117
220.4110939502716
训练次数：16400，Loss：0.6746671199798584
整体测试集上的Loss：168.7458095550537
整体测试集上的正确率：0.6385999917984009
模型已保存
-----第 22 轮训练开始-----
223.20479941368103
训练次数：16500，Loss：0.8732750415802002
224.390287399292
训练次数：16600，Loss：0.9297986626625061
225.5694763660431
训练次数：16700，Loss：0.9048570990562439
226.78037357330322
训练次数：16800，Loss：0.76099693775177
227.9262249469757
训练次数：16900，Loss：0.6679417490959167
229.11014795303345
训练次数：17000，Loss：1.181579828262329
230.29246425628662
训练次数：17100，Loss：0.6620275974273682
231.493239402771
训练次数：17200，Loss：0.664097249507904
整体测试集上的Loss：169.8609937429428
整体测试集上的正确率：0.637499988079071
模型已保存
-----第 23 轮训练开始-----
234.27106308937073
训练次数：17300，Loss：0.8724012970924377
235.45661783218384
训练次数：17400，Loss：0.9425235390663147
236.64662623405457
训练次数：17500，Loss：0.7269912958145142
237.86503314971924
训练次数：17600，Loss：0.7194119691848755
239.01475381851196
训练次数：17700，Loss：0.7852820754051208
240.1758153438568
训练次数：17800，Loss：0.7733107805252075
241.3398380279541
训练次数：17900，Loss：0.8076053261756897
整体测试集上的Loss：170.6863653063774
整体测试集上的正确率：0.6371999979019165
模型已保存
-----第 24 轮训练开始-----
244.07902574539185
训练次数：18000，Loss：0.8552568554878235
245.25485038757324
训练次数：18100，Loss：0.5549949407577515
246.44470381736755
训练次数：18200，Loss：0.8132153153419495
247.62908339500427
训练次数：18300，Loss：0.6714959144592285
248.79626488685608
训练次数：18400，Loss：0.6672235131263733
249.95225954055786
训练次数：18500，Loss：0.800999641418457
251.13182163238525
训练次数：18600，Loss：0.5262686610221863
252.3044810295105
训练次数：18700，Loss：0.7499000430107117
整体测试集上的Loss：171.33498692512512
整体测试集上的正确率：0.6376999616622925
模型已保存
-----第 25 轮训练开始-----
255.06015586853027
训练次数：18800，Loss：0.7402669191360474
256.21373891830444
训练次数：18900，Loss：0.5978196263313293
257.404180765152
训练次数：19000，Loss：0.6754338145256042
258.59692668914795
训练次数：19100，Loss：0.5589580535888672
259.7701075077057
训练次数：19200，Loss：0.531922459602356
260.9389097690582
训练次数：19300，Loss：0.7425826787948608
262.1200385093689
训练次数：19400，Loss：0.8776072859764099
263.30342960357666
训练次数：19500，Loss：0.6360160112380981
整体测试集上的Loss：171.71832472085953
整体测试集上的正确率：0.637499988079071
模型已保存
-----第 26 轮训练开始-----
266.00391364097595
训练次数：19600，Loss：0.8082662224769592
267.1639335155487
训练次数：19700，Loss：0.6162960529327393
268.3373336791992
训练次数：19800，Loss：0.876618504524231
269.5011901855469
训练次数：19900，Loss：0.9085995554924011
270.68650460243225
训练次数：20000，Loss：0.8501061797142029
271.9259281158447
训练次数：20100，Loss：0.8174670934677124
273.12516808509827
训练次数：20200，Loss：1.0724962949752808
274.32264852523804
训练次数：20300，Loss：0.6343507170677185
整体测试集上的Loss：172.47045278549194
整体测试集上的正确率：0.6394000053405762
模型已保存
-----第 27 轮训练开始-----
277.1573736667633
训练次数：20400，Loss：0.6540669798851013
278.33781147003174
训练次数：20500，Loss：0.5897015929222107
279.5300703048706
训练次数：20600，Loss：0.4914679527282715
280.6773886680603
训练次数：20700，Loss：0.7035619616508484
281.8361291885376
训练次数：20800，Loss：0.5401226878166199
282.99849557876587
训练次数：20900，Loss：0.6221712231636047
284.17470717430115
训练次数：21000，Loss：0.8537976741790771
285.3701333999634
训练次数：21100，Loss：0.7092658877372742
整体测试集上的Loss：173.46831703186035
整体测试集上的正确率：0.6399999856948853
模型已保存
-----第 28 轮训练开始-----
288.0989239215851
训练次数：21200，Loss：0.8174431324005127
289.24120450019836
训练次数：21300，Loss：0.68904709815979
290.4222309589386
训练次数：21400，Loss：0.7744821906089783
291.613312959671
训练次数：21500，Loss：0.5719355940818787
292.80280566215515
训练次数：21600，Loss：0.6388695240020752
294.0078239440918
训练次数：21700，Loss：0.8393858671188354
295.1911723613739
训练次数：21800，Loss：0.6933169364929199
整体测试集上的Loss：173.1854910850525
整体测试集上的正确率：0.6428999900817871
模型已保存
-----第 29 轮训练开始-----
297.9738895893097
训练次数：21900，Loss：0.4256139099597931
299.17603182792664
训练次数：22000，Loss：0.6538084149360657
300.3422214984894
训练次数：22100，Loss：0.8267297744750977
301.52275681495667
训练次数：22200，Loss：0.42121270298957825
302.7328658103943
训练次数：22300，Loss：0.5014783143997192
303.91381192207336
训练次数：22400，Loss：0.7099611759185791
305.09802865982056
训练次数：22500，Loss：0.8721457719802856
306.2816848754883
训练次数：22600，Loss：0.3300861120223999
整体测试集上的Loss：174.15364342927933
整体测试集上的正确率：0.6452999711036682
模型已保存
-----第 30 轮训练开始-----
309.065292596817
训练次数：22700，Loss：0.733674168586731
310.248877286911
训练次数：22800，Loss：0.6733675003051758
311.45992732048035
训练次数：22900，Loss：0.7449073791503906
312.6487421989441
训练次数：23000，Loss：0.6279532313346863
313.82962799072266
训练次数：23100，Loss：0.5574349761009216
315.03411650657654
训练次数：23200，Loss：0.6098644733428955
316.20984983444214
训练次数：23300，Loss：0.7981359362602234
317.3920772075653
训练次数：23400，Loss：0.5183050036430359
整体测试集上的Loss：174.22026354074478
整体测试集上的正确率：0.6488999724388123
模型已保存

import torchvision
from PIL import Image
from torch import nn
import torch

image_path = "imgs/dog.png"
image = Image.open(image_path) # PIL类型的Image
image = image.convert("RGB")  # 4通道的RGBA转为3通道的RGB图片
print(image)

transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),   
                                            torchvision.transforms.ToTensor()])

image = transform(image)
print(image.shape)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()        
        self.model1 = nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.Linear(64,10)
        )
        
    def forward(self, x):
        x = self.model1(x)
        return x

model = torch.load("model/tudui_29.pth",map_location=torch.device('cpu')) # GPU上训练的东西映射到CPU上    
print(model)
image = torch.reshape(image,(1,3,32,32)) # 转为四维，符合网络输入需求
model.eval()
with torch.no_grad():  # 不进行梯度计算，减少内存计算
    output = model(image)
output = model(image)
print(output)
print(output.argmax(1)) # 概率最大类别的输出

<PIL.Image.Image image mode=RGB size=307x173 at 0x1A23417EDA0>
torch.Size([3, 32, 32])
Tudui(
  (model1): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)
tensor([[ 1.3921, -5.8952,  6.7765,  2.6106,  3.3179,  6.3351, -5.1229,  3.0367,
         -8.6725, -5.5459]], grad_fn=<AddmmBackward0>)
tensor([2])

import torchvision
from PIL import Image
from torch import nn
import torch

image_path = "imgs/plane.png"
image = Image.open(image_path) # PIL类型的Image
image = image.convert("RGB")  # 4通道的RGBA转为3通道的RGB图片
print(image)

transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),   
                                            torchvision.transforms.ToTensor()])

image = transform(image)
print(image.shape)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()        
        self.model1 = nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.Linear(64,10)
        )
        
    def forward(self, x):
        x = self.model1(x)
        return x

model = torch.load("model/tudui_29.pth",map_location=torch.device('cpu')) # GPU上训练的东西映射到CPU上    
print(model)
image = torch.reshape(image,(1,3,32,32)) # 转为四维，符合网络输入需求
model.eval()
with torch.no_grad():  # 不进行梯度计算，减少内存计算
    output = model(image)
output = model(image)
print(output)
print(output.argmax(1)) # 概率最大类别的输出

<PIL.Image.Image image mode=RGB size=245x181 at 0x1A236055908>
torch.Size([3, 32, 32])
Tudui(
  (model1): Sequential(
    (0): Conv2d(3, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (2): Conv2d(32, 32, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (4): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2))
    (5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (6): Flatten(start_dim=1, end_dim=-1)
    (7): Linear(in_features=1024, out_features=64, bias=True)
    (8): Linear(in_features=64, out_features=10, bias=True)
  )
)
tensor([[ 3.9218,  1.2536,  1.1701,  0.1064,  2.2779, -4.4623,  0.0393, -4.2867,
          2.3805, -2.1321]], grad_fn=<AddmmBackward0>)
tensor([0])

1. GPU训练30轮次¶

2. 验证狗是否识别¶

3. 验证飞机是否识别¶