pytorch 将数据放到指定GPU pytorch导入本地数据集

目录

• 一、模型保存与加载
• 二、完整的模型训练过程

• 1、导入准备数据集
• 2、加载数据集
• 3、搭建神经网络
• 4、损失函数
• 5、优化器
• 6、训练设置
• 7、测试集测试
• 8、Tensorbord测试
• 8、正确率acc

• 三、利用GPU训练

一、模型保存与加载

方式二把网络模型的状态参数保存成字典形式，而方式一保存的是模型的结构 + 模型参数

如果是大模型，方式二会比方式一占用更少的空间。

保存模型

加载模型

二、完整的模型训练过程

1、导入准备数据集

这里才用和之前一样的CIFAR10数据集做本次模型训练测试

调用torchvision.datasets自带的CIFAR10数据集进行下载，通过transforms转化为tensor类型，多余的不多说了，都是上一张的内容复习。

.format是python中常见的字符串格式化写法，会经常使用

2、加载数据集

3、搭建神经网络

这里以一个CIFAR10 model的结构为例：搭建一个神经网络

模型初始化：我们一般都会把设计使用网络模型单独放在一个文件中

我们在完成一个网络模型时，也会在下面进行网络模型测试，通常会这样写：

这样可以直接点运行

返回64行数据 + 10个数据

最后在我们的训练文件中，引用模型：

4、损失函数

5、优化器

采用随机梯度下降SGD

6、训练设置

7、测试集测试

8、Tensorbord测试

将每轮训练的损失值，与每轮测试的损失值以tensor 图像形式展示

8、正确率acc

主要存在于分类问题中：

我们假设两个输入，同样返回两个输出对应的各标签概率

但我们需要把概率转化成对应的最大标签序号：如下图两个输出为1标签概率都最大，所有通过Argmax函数输出对应的两个1
标签

而实际输入的正确标签为0 1，所有我们可以计算正确率

看一下argmax函数的使用：返回最大概率对应的下标（分类中就是标签值）

在测试集上计算正确率

三、利用GPU训练

**第一种：**在网络模型 数据 损失函数边上添加.cuda（）调用gpu运算

第二种：利用to(device)