python - PyTorch 模型未进行训练

Question

我有一个问题，一周内都无法解决。我正在尝试构建 CIFAR-10 分类器，但是每批之后的损失值都是随机跳跃的，即使在同一批处理上，准确性也没有提高(我什至不能用一批来过度拟合模型)，所以我猜唯一可能的原因is - 权重没有更新。

我的模块类

class Net(nn.Module):
def __init__(self):
    super(Net, self).__init__()
    self.conv_pool = nn.Sequential(
        nn.Conv2d(3, 64, 3, padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2, 2),
        nn.Conv2d(64, 128, 3, padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2, 2),
        nn.Conv2d(128, 256, 3, padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2, 2),
        nn.Conv2d(256, 512, 3, padding=1),
        nn.ReLU(),
        nn.MaxPool2d(2, 2),
        nn.Conv2d(512, 512, 1),
        nn.ReLU(),
        nn.MaxPool2d(2, 2))

    self.fcnn = nn.Sequential(
        nn.Linear(512, 2048),
        nn.ReLU(),
        nn.Linear(2048, 2048),
        nn.ReLU(),
        nn.Linear(2048, 10)
    )

def forward(self, x):
    x = self.conv_pool(x)
    x = x.view(-1, 512)
    x = self.fcnn(x)
    return x

我正在使用的优化器:

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

我的火车功能:

def train():
for epoch in range(5):  # loop over the dataset multiple times
    for i in range(0, df_size):
        # get the data

        try:
            images, labels = loadBatch(ds, i)
        except BaseException:
            continue

        # wrap 
        inputs = Variable(images)

        optimizer.zero_grad()

        outputs = net(inputs)

        loss = criterion(outputs, Variable(labels))

        loss.backward()
        optimizer.step()
        acc = test(images,labels)
        print("Loss: " + str(loss.data[0]) + " Accuracy %: " + str(acc) + " Iteration: " + str(i))

        if i % 40 == 39:
            torch.save(net.state_dict(), "model_save_cifar")

    print("Finished epoch " + str(epoch))

我使用batch_size = 20，image_size = 32 (CIFAR-10)

loadBatch 函数返回图像的 LongTensor 20x3x32x32 和标签的 LongTensor 20x1 的元组

如果您能帮助我，或者提出可能的解决方案，我会非常高兴(我猜测这是因为 NN 中的顺序模块，但我传递给优化器的参数似乎是正确的)

Answer 1

好的，伙计们，我知道问题出在哪里了。我试图自己将图像转换为张量，似乎我弄乱了图像的尺寸+我正在顺序观看 SGD 步骤，而不是批量观看。现在我每 25 个批处理检查一次，大部分时间都可以，取决于神经网络和数据。这是我加载数据的代码，希望有人会发现它有帮助

Goods 数据集 是用于从文件夹加载图像的数据集，以及包含 category 列作为标签和 id 作为图像文件 ID 的 csv 文件

我建议使用pytorch图像处理函数和Pillow Image.Open

batch_size = 8
img_size = 224

transformer = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])



class GoodsDataset(Dataset):
    def __init__(self, csv_file, root_dir):
        """
        Args:
            csv_file (string): Path to the csv file with annotations.
            root_dir (string): Directory with all the images.
            transform (callable, optional): Optional transform to be applied
                on a sample.
        """
        self.data = pd.read_csv(csv_file)
        self.root_dir = root_dir
        self.le = preprocessing.LabelEncoder()
        self.le.fit(self.data.loc[:, 'category'])

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        img_name = os.path.join(self.root_dir, str(self.data.loc[idx, 'id']) + '.jpg')
        image = (Image.open(img_name))
        good = self.data.iloc[idx, :].as_matrix()
        label = self.le.transform([good[2]])
        return [transformer(image), label]

然后你可以使用:

train_ds = GoodsDataset("topthree.csv", "resized")
train_set = dataloader = torch.utils.data.DataLoader(train_ds, batch_size = batch_size, shuffle = True)

在你的训练函数中使用枚举迭代train_set，这将为你提供索引i以及图像和标签的元组，并使用标签编码器进行编码位于数据集中的strong>。

祝你好运!