import torch
import torchvision
from torch import nn
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader
# 取消全局证书验证（当项目对安全性问题不太重视时，推荐使用，可以全局取消证书的验证，简易方便）
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
# 定义训练设备===》使用CPU进行训练方法②
# device=torch.device("cpu")
# 定义训练设备===》使用GPU进行训练方法②
# device=torch.device("cuda")
# 定义训练设备===》使用第X张GPU进行训练方法②
# device=torch.device("cuda:0")
# 定义训练设备===》根据机器情况选择能否用GPU进行训练方法②
device=torch.device("cuda" if torch.cuda.is_available() else "cup")
print("当前程序正在{}上运行".format(device))
# 准备数据集
train_data=torchvision.datasets.CIFAR10("datas-train",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data=torchvision.datasets.CIFAR10("datas-test",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# 获得数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练--数据集的长度为:{}".format(train_data_size))
print("测试--数据集的长度为:{}".format(test_data_size))
# 利用DataLoader加载数据集
# Batch Size定义：一次训练所选取的样本数。
# Batch Size的大小影响模型的优化程度和速度。同时其直接影响到GPU内存的使用情况，假如你GPU内存不大，该数值最好设置小一点。
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)
# 创建网络模型
# 搭建神经网络
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model = nn.Sequential(
# Conv2d中
##in_channels：输入的通道数目 【必选】
##out_channels： 输出的通道数目 【必选】
##kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】
##stride： 卷积每次滑动的步长为多少，默认是 1 【可选】
##padding（手动计算）：设置在所有边界增加值为0的边距的大小（也就是在feature map 外围增加几圈 0 ），
## 例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】
##dilation：控制卷积核之间的间距【可选】
nn.Conv2d(3, 32, 5, 1, 2),
# MaxPool2d中：
# #kernel_size(int or tuple) - max pooling的窗口大小，
# # stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size
# # padding(int or tuple, optional) - 输入的每一条边补充0的层数
# # dilation(int or tuple, optional) – 一个控制窗口中元素步幅的参数
# # return_indices - 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助
# # ceil_mode - 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
# nn.Linear（）是用于设置网络中的全连接层的，在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，形状通常为[batch_size, size]
# 相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
tudui=Tudui()
# 定义训练设备===》使用GPU进行训练方法②
tudui=tudui.to(device)
# 损失函数
# 使用交叉熵==>分类
loss_fn=nn.CrossEntropyLoss()
# 定义训练设备===》使用GPU进行训练方法②
loss_fn=loss_fn.to(device)
# 优化器
learning_rate=0.01 #学习速率
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)
#设置训练网络的参数
#记录训练的次数
total_train_step=0
# 记录测试的次数
test_train_step=0
# 训练的轮次
epoch=10
# 添加tensorboard
writer=SummaryWriter("firstjuan")
for i in range(epoch): #0-9
print("-----------第{}轮训练开始-----------".format(i+1))
tudui.train()
# 训练步骤开始
for data in train_dataloader:
imgs,targets=data
# 定义训练设备===》使用GPU进行训练方法②
imgs = imgs.to(device)
targets = targets.to(device)
outputs=tudui(imgs)
#将计算所得的output的数值与真实数值进行对比，即求差
loss=loss_fn(outputs,torch.squeeze(targets).long())
#优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 记录训练train的次数+1
total_train_step=total_train_step+1
if total_train_step %100==0 : #减少输出 方便查看测试结果
print("训练次数：{},损失值loss：{}".format(total_train_step,loss))
writer.add_scalar("train_loss",loss.item(),total_train_step)
# 测试步骤开始
tudui.eval()
total_test_loss=0
# 正确率
total_accuracy=0
with torch.no_grad(): #保证网络模型的梯度保持没有，仅需要测试，不需要对梯度进行优化与调整
for data in test_dataloader:
imgs,targets=data
# 定义训练设备===》使用GPU进行训练方法②
imgs = imgs.to(device)
targets = targets.to(device)
outputs=tudui(imgs)
loss=loss_fn(outputs,targets)
total_test_loss=total_test_loss+loss.item()
# 1为横向 0为竖 计算正确率
accuracy=(outputs.argmax(1)==targets).sum()
total_accuracy=total_accuracy+accuracy
print("整体测试集上的Loss：{}".format(total_test_loss))
print("整体测试集上的正确率accuracy：{}".format(total_accuracy/test_data_size))
writer.add_scalar("test_accuracy", total_test_loss, test_train_step)
writer.add_scalar("test_loss",total_accuracy/test_data_size,test_train_step)
# 记录测试test的次数+1
test_train_step=test_train_step+1
# 保存模型
# torch.save(tudui.state_dict(),"tudui_{}".format(i))
torch.save(tudui,"tudui_{}.pth".format(i))
print("模型已经保存")
writer.close()
