torchcat 0.1.1

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：

• 封装模型
  • 简化模型训练
  • 简化模型评估
  • 记录训练日志
• 加载数据集

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、torchcat 参数

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

net = torchcat.Cat(model=net,
                   loss_fn=nn.CrossEntropyLoss(),
                   optimizer=torch.optim.Adam(net.parameters(), lr=0.0003))

参数	说明
model	你的模型
loss_fn	损失函数
optimizer	优化器

查看架构

在封装模型后，使用 net.summary()，可以查看模型的架构。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(train_set=train_set, epochs=5, valid_set=test_set)

log 记录了训练时的日志，包括以下内容

• 训练集损失（log['train loss']）
• 训练集准确率（log['train acc']）
• 验证集损失（log['valid loss']）
• 验证集准确率（log['validacc']）

参数	说明
train_set	训练集
epochs	训练轮次
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、准确率。验证后模型将切换为推理模式

参数	说明
valid_set	验证集
show	是否输出验证集损失值、准确率（默认 True）
train	验证后，模型是否且切换为训练模式（默认 False）

其他

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，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

模型推理

• 方法名：__call__
• 功能描述：执行模型的前向推理过程
• 参数：x - 输入数据
• 返回值：模型对输入数据 x 的推理结果

加载数据集

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
dataset = torchcat.ImageFolder(path='train image', one_hot=True, transform=transform)

参数	说明
path	数据集路径
one_hot	是否进行 One-Hot 编码（默认 False）
transform	图像预处理方案（默认 None）