继续学习了YOLO论文

，感觉技术部分已经了解了，继续学的这一部分就是对论文结构的一个了解。
后面的部分都应该是写论文的套路，到什么位置该写对比、优势，展望等
1.YOLO里最开始是和一个模型的对比，并讨论了优势
2.讨论了当前的模型是速度最快的，且精度较高的模型，一秒可以处理40张图片
3.后面是和一堆模型的对比，准确度和精确度用两个模型做到了最好
4.展望的位置是，和之前较优的模型进行结合是否会有更好的效果

了解了当前的论文方向和创新点

继续pytorch学习，想今天卷完(了解了一下电脑配置问题，目前就是现用现租)

使用pytorch实现了vgg16网络在CIFAR10数据集上进行分类训练

代码(做了一些输出调试，网络一定要用.py文件保存否则无法引入包)

网络
import torch
from torch import nn

# 搭建神经网络
class Dsc(nn.Module):
    def __init__(self):
        super(Dsc, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            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(1024, 64),
            nn.Linear(64, 10)
        )

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

if __name__ == '__main__':
    dsc = Dsc()
    input = torch.ones((64, 3, 32, 32))
    output = dsc(input)
    print(output.shape)


# 对模型进行测试，用准确率检验模型的训练效果

训练代码

# 设置训练网络的一些参数
total_train_step = 0 # 记录 训练 的次数
total_test_step = 0 # 记录 测试 的次数
epoch = 5 # 训练的轮数 

for i in range(epoch):
    print("------第{}轮训练开始--------".format(i+1))
    for data in train_dataloader:
        imgs, targets = data
        output = dsc(imgs)
        loss = loss_fn(output, targets) # 计算损失函数放入模型预测的输出，和真实的标签

        optimizer.zero_grad() # 优化器清零
        loss.backward() # 得到每一个参数结点的梯度
        optimizer.step() # 对其中的参数进行优化

        total_train_step = total_train_step + 1
        if total_train_step % 200 == 0:
            print("训练次数: {}, Loss: {}".format(total_train_step, loss.item())) # 这里不加item也只输出数字，具体例子见上个代码块
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            output = dsc(imgs)
            loss = loss_fn(output, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (output.argmax(1)==targets).sum()
            total_accuracy = total_accuracy + accuracy

    acc = total_accuracy / test_data_size
    print("整体测试集上的loss: {}".format(total_test_loss))
    print("第{}轮模模型，整体测试集上的正确率: {}".format(i+1, acc))


    print("---------准确率 {}, 步数 {}".format(acc, total_test_step))

    writer.add_scalar("test_loss", loss.item(), total_test_step)
    writer.add_scalar("test_accuracy", acc.item(), total_test_step)
    total_test_step = total_test_step + 1

    # 保存模型
    torch.save(dsc, "dsc_{}.pth".format(i))
    print("~~~~~~第{}轮模型已保存~~~~~~".format(i+1))

writer.close()

训练结果图如下