파이토치 입문 영상(기본 모델 구축 + 저장)

파이토치 입문 영상(기본 모델 구축 + 저장)

 

https://youtu.be/Gm9Spk2Nmj0

 

[소스 코드]

#!/usr/bin/env python
# coding: utf-8

import torch
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import ssl

ssl._create_default_https_context = ssl._create_unverified_context

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

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                       download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=8,
                                         shuffle=True, num_workers=0)  # Windows:0, else 2

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=8,   # Windows:0, else 2
                                         shuffle=False, num_workers=0)

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

class Net(nn.Module):
    def __init__(self):  # 모델에 사용할 연산 정의
        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)  # 출력 10개 원핫 벡터 생성
        
    def forward(self, x):  # 연산 적용: x에 input이 들어감 
        x = self.pool(F.relu(self.conv1(x)))  # conv1 --> relu --> pool
        x = self.pool(F.relu(self.conv2(x)))  # conv2 --> relu --> pool
        x = x.view(-1, 16*5*5)  # 이미지를 선형 데이터로 변환 
        x = F.relu(self.fc1(x))  # 리니어 연산 fc1 --> relu
        x = F.relu(self.fc2(x))  # 리니어 연산 fc2 --> relu
        x = self.fc3(x)  # 최종 리니어 연산 
        return x

net = Net()
print(net)

import torch.optim as optim
criterion = nn.CrossEntropyLoss()  # 분류 문제용 손심 함수
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)  # 업데이트 파이미터, 진행비율, 

for epoch in range(3):  # 3 epoch
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):  # 8개 이미지씩 진행 
        inputs, labels = data  # 이미지, 정답 레이블
        optimizer.zero_grad()  # 옵티마이저 초기화
        outputs = net(inputs)
        loss = criterion(outputs, labels)  # rossEntropyLoss 계산
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()  # 각 아이템의 손신 합산
        if i%2000 == 1999:  # 2000 배치마다 출력 
            print('[%d, %5d] loss: %.3f' %(epoch+1, i+1, running_loss/2000))
            running_loss = 0.0

print('Finished Training')

# Save pre-trained model
PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

# Load pre-trained model
net = Net()
net.load_state_dict(torch.load(PATH))

# 테스트 데이터로 예측 
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of network on the 10000 test images: %d %%' %(100*correct/total))