파이토치 무작정 시작하기 4 - CNN 기본 모델 구축

 

 

 

 

https://www.youtube.com/watch?v=Gm9Spk2Nmj0

 

# 라이브러리 불러오기   import torch import torchvision import torchvision.transforms as transforms from torch.utils.data import DataLoader

 

Load data set

 

# 파이토치에서 제공하는 CIFAR10 데이터셋 불러오기   transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])   trainset = torchvision.datasets.CIFAR10(root='C:/pypy', train=True, download=True, transform=transform)   trainloader = torch.utils.data.DataLoader(trainset,batch_size=8, shuffle=True, num_workers=2)   testset = torchvision.datasets.CIFAR10(root='C:/pypy', train=False, download=True, transform=transform)   testloader = torch.utils.data.DataLoader(testset, batch_size=8, shuffle=False, num_workers=2)   classes = ('plane', 'car', 'bird', 'cat',            'deer','dog','frog','horse','ship','truck')

 

 

 

Build a model

 

import torch.nn as nn import torch.nn.functional as F   # nn.Module을 상속 받는다. class Net(nn.Module):     # 사용하고자 하는 연산 정의     def __init__(self):         super(Net, self).__init__()         self.conv1 = nn.Conv2d(3, 6, 5)         self.pool = nn.MaxPool2d(2, 2)         self.conv2 = nn.Conv2d(6, 16, 5)         self.fc1 = nn.Linear(16 * 5 * 5, 120)         self.fc2 = nn.Linear(120, 84)         self.fc3 = nn.Linear(84, 10)         # 연산 순서 정의        def forward(self, x):         x = self.pool(F.relu(self.conv1(x)))         x = self.pool(F.relu(self.conv2(x)))         x = x.view(-1, 16 * 5 * 5)         x = F.relu(self.fc1(x))         x = F.relu(self.fc2(x))         x = self.fc3(x)         return x   # 클래스에 대한 인스턴스 생성 net = Net()

print(net)

 

 

 

Implement the model with training set

 

# optimizer 사용 정의   import torch.optim as optim   criterion = nn.CrossEntropyLoss() # net안에 있는 parameters를 업데이트한다. optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(5):         running_loss = 0.0     # traindata 불러오기(배치 형태로 들어옴)     for i, data in enumerate(trainloader, 0):         inputs, labels = data                 # optimizer 초기화         optimizer.zero_grad()                 # net에 input 이미지 넣어서 output 나오기         outputs = net(inputs)         # output로 loss값 계산         loss = criterion(outputs, labels)         # loss를 기준으로 미분자동계산         loss.backward()         # optimizer 계산         optimizer.step()                 # loss값 누적         running_loss += loss.item()         if i % 2000 == 1999:             print('[%d, %5d] loss: %.3f' %                  (epoch + 1, i + 1, running_loss / 2000))             running_loss = 0.0             print('Finished Training')

 

 

 

Save the trained model

 

# 학습한 모델 저장   PATH = "C:/pypy/cifar_net.pth" torch.save(net.state_dict(), PATH)

 

 

 

Load the pre-trained model

 

# 저장한 모델 불러오기   net = Net() net.load_state_dict(torch.load(PATH))
# 테스트 데이터로 예측하기   correct = 0 total = 0 with torch.no_grad():     for data in testloader:         images, labels = data         outputs = net(images)         _, predicted = torch.max(outputs.data, 1) # argmax랑 비슷         total += labels.size(0)         correct += (predicted == labels).sum().item()         print("Accuracy of the network on th 10000 test images : %d %%" % (100 * correct / total))