DenseNet 與學習策略的組合程式

以下是使用 PyTorch 实现 DenseNet 和学习策略的组合代码示例：

首先，我们需要导入必要的库：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms

然后，我们定义我们的 DenseNet 模型。在这个例子中，我们使用了 DenseNet-121。模型的定义如下：

class DenseNet(nn.Module):
    def __init__(self):
        super(DenseNet, self).__init__()
        self.densenet = torchvision.models.densenet121(pretrained=True)
        self.densenet.classifier = nn.Linear(1024, 10)

    def forward(self, x):
        x = self.densenet(x)
        return x

接下来，我们定义我们的学习策略。在这个例子中，我们使用了 SGD 优化器和学习率衰减。学习率衰减可以帮助我们在训练过程中逐渐减小学习率，以帮助我们更好地收敛。

def get_optimizer(model):
    optimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9, weight_decay=1e-4)
    scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.1)
    return optimizer, scheduler

然后，我们定义我们的数据集和数据加载器。在这个例子中，我们使用 CIFAR-10 数据集。

train_transform = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

test_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=train_transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=128, shuffle=True, num_workers=4)

testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=test_transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=128, shuffle=False, num_workers=4)

接下来，我们定义我们的训练和测试函数。在训练函数中，我们使用交叉熵损失和 L2 正则化。在测试函数中，我们计算模型的准确率。

def train(model, optimizer, criterion, trainloader, device):
    model.train()
    train_loss = 0.0
    correct = 0
    total = 0

    for inputs, targets in trainloader:
        inputs, targets = inputs.to(device), targets.to(device)
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()
        train_loss += loss.item()
        _, predicted = outputs.max(1)
        total += targets.size(0)
        correct += predicted.eq(targets).sum().item()

    return train_loss / len(trainloader), 100.0 * correct / total


def test(model, criterion, testloader, device):
    model.eval()
    test_loss = 0.0
    correct = 0
    total = 0

    with torch.no_grad():
        for inputs, targets in testloader:
            inputs, targets = inputs.to(device), targets.to(device)
            outputs = model(inputs)
            loss = criterion(outputs, targets)
            test_loss += loss.item()
            _, predicted = outputs.max(1)
            total += targets.size(0)
            correct += predicted.eq(targets).sum().item()

    return test_loss / len(testloader), 100.0 * correct / total

最后，我们可以开始训练和测试我们的模型。在这个例子中，我们使用 GPU 来加速训练。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("Using device:", device)

model = DenseNet().to(device)
optimizer, scheduler = get_optimizer(model)
criterion = nn.CrossEntropyLoss()
best_acc = 0.0

for epoch in range(0, 10):
    scheduler.step()
    train_loss, train_acc = train(model, optimizer, criterion, trainloader, device)
    test_loss, test_acc = test(model, criterion, testloader, device)
    print("Epoch: {:2d} Train Loss: {:.2f} Train Acc: {:.2f}% Test Loss: {:.2f} Test Acc: {:.2f}%".format(
        epoch + 1, train_loss, train_acc, test_loss, test_acc))

    if test_acc > best_acc:
        best_acc = test_acc
        torch.save(model.state_dict(), "best_model.pt")

print("Best Test Acc: {:.2f}%".format(best_acc))

这就是一个使用 DenseNet 和学习策略的组合的 PyTorch 代码示例。