torchcat 0.1.5

TorchCat🐱 是用于封装 PyTorch 模型的工具

TorchCat 🐱

简介

TorchCat 是用于封装 PyTorch 模型的工具

提供以下功能：

• 加载数据
• 封装模型
• 训练模型
• 评估模型
• 记录日志

加载数据

使用 torchcat.ImageFolder 用于加载图片数据集

# 图像预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
])

# 加载数据集
train_set = torchcat.ImageFolder(path='train-image', transform=data_transorms, one_hot=True)
test_set = torchcat.ImageFolder(path='test-image', transform=data_transorms, one_hot=True)

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_set, batch_size=64, shuffle=True)

参数	说明
path	数据集路径
transform	图像预处理方案
one_hot	是否进行 One-Hot 编码（默认 False）

封装模型

使用 torchcat.Cat 封装你的模型。如果不进行训练，也可以忽略 loss_fn、optimizer 参数

net = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 128),
    nn.ReLU(),
    nn.Linear(128, 10),
).cuda()

net = torchcat.Cat(model=net,
                   loss_fn=nn.CrossEntropyLoss(),
                   optimizer=torch.optim.Adam(net.parameters()),
                   metrics=[torchcat.metrics.CrossEntropyAccuracy()])

参数	说明
model	你的模型
loss_fn	损失函数
optimizer	优化器
metrics	评估指标

查看结构

在封装模型后，可使用 net.summary()，可以查看模型的结构。input_size 参数需填写模型的输入形状，如：net.summary(1, 28, 28)

训练模型

使用 net.train()，可以开始模型的训练。训练结束后会返回训练日志

log = net.train(epochs=10, train_set=train_loader, valid_set=test_loader)

log 记录了训练时的日志，包含 loss 和 metrics 所定义的指标

参数	说明
epochs	训练轮次
train_set	训练集
valid_set	验证集（默认 None）

评估模型

使用 net.valid(valid_set, show=True, train=False)，能够验证模型在给定验证集上的性能，包括损失值、评估指标。验证后模型将保留推理模式

参数	说明
valid_set	验证集
show	是否输出验证集上损失值、评估指标（默认 True）
train	验证后是否将模型切换为训练模式（默认 False）

其他

模型推理

使用 net(x) 执行模型前向推理

切换计算设备

TorchCat 提供了方法 to_cpu()、to_cuda() 用于切换计算设备（CPU 或 GPU🚀）

检查模型当前模式

使用 training 方法，查看模型当前是否处于训练模式。返回 True 表示处于训练模式，False 表示处于推理模式