resnet34 gpu训练

### 使用ResNet34模型在GPU上进行训练 #### 设备配置 对于PyTorch框架，在准备阶段需确认设备（CPU或GPU）。如果存在可用的CUDA环境，则优先选用GPU来加速运算过程。这可以通过如下代码实现： ```python import torch device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') ``` 此段代码会自动检测是否有支持CUDA的NVIDIA GPU，并相应地设定`device`变量[^1]。 #### 加载预定义模型 接着，加载已有的ResNet34架构作为基础模型，并将其移动到指定设备上执行后续操作： ```python from torchvision import models model = models.resnet34(pretrained=True) # 预训练权重初始化 for param in model.parameters(): param.requires_grad = False # 冻结卷积层参数更新 num_ftrs = model.fc.in_features # 获取全连接层输入特征数 model.fc = torch.nn.Linear(num_ftrs, 10) # 修改最后一层适应新类别数量 model.to(device) # 将模型转移到选定设备运行 ``` 上述脚本先通过`pretrained=True`选项下载ImageNet上的预训练权值文件；随后冻结除了最后线性变换外的所有层以便微调；最终调整输出维度匹配目标任务需求并迁移到目标硬件平台[^3]。 #### 数据处理与迭代器创建 构建合适的数据管道是高效训练的关键之一。下面展示了如何读取自定义数据集以及建立批量加载机制： ```python from torchvision import transforms, datasets from torch.utils.data import DataLoader data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) } image_datasets = {x: datasets.ImageFolder(root=f'data/{x}', transform=data_transforms[x]) for x in ['train', 'val']} dataloaders = {x: DataLoader(image_datasets[x], batch_size=32, shuffle=(x=='train'), num_workers=4) for x in ['train', 'val']} dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']} class_names = image_datasets['train'].classes ``` 这段程序设置了必要的图像转换规则，包括随机裁剪、水平翻转等增强手段，同时也完成了标准化处理以提高收敛性能。之后实例化了一个基于文件夹结构组织的小型样本库，并指定了相应的批处理尺寸和其他辅助属性[^5]。 #### 训练循环设计 进入核心部分——编写实际的学习流程逻辑。这里采用简单的SGD优化算法配合交叉熵损失函数来进行监督式学习任务： ```python criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.fc.parameters(), lr=0.001, momentum=0.9) def train_model(dataloaders, dataset_sizes, criterion, optimizer, num_epochs=25): best_acc = 0.0 for epoch in range(num_epochs): print(f'Epoch {epoch}/{num_epochs - 1}') print('-' * 10) for phase in ['train', 'val']: if phase == 'train': model.train(True) else: model.eval() running_loss = 0.0 running_corrects = 0 for inputs, labels in dataloaders[phase]: inputs = inputs.to(device) labels = labels.to(device) optimizer.zero_grad() with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) if phase == 'train': loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / dataset_sizes[phase] epoch_acc = running_corrects.double() / dataset_sizes[phase] print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}') if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc return model ``` 该方法接收多个参数控制整个周期内的行为模式，比如最大轮次数目(`num_epochs`)。内部区分了两个不同阶段：一个是针对训练子集实施梯度下降策略；另一个则是评估验证集合的表现情况。每当后者取得更优成绩时便记录下来最优版本的网络状态。