PyTorch 深度学习入门教程：3步从零训练并部署一个食物图像识别模型

PyTorch 深度学习入门教程3步从零训练并部署一个食物图像识别模型【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning想入门 PyTorch 深度学习的人大多卡在同一处张量会搬、文档能看懂可一旦要做传一张照片、输出一道菜名这样的完整任务就不知道从哪下手。这篇教程基于 pytorch-deep-learning 课程仓库按喂数据 → 跑训练 → 用起来的顺序带你完整走一遍 PyTorch 图像分类流程最后你会得到一个能在浏览器里点着玩的食物识别小模型。从识别差一点说起新手做识别模型最容易卡住的场景想象一下你传进去一张披萨照片模型自信地输出寿司换个角度拍又变成牛排。问题不在你——新手第一次独立做识别模型几乎都会撞上这面墙。好消息是这个问题其实可以拆成 3 个独立的小问题每个都有现成的解法而本仓库把解法都写成了可以直接照着敲的代码。先拆问题训练一个图像识别模型先回答 3 件事问题 1数据加载——几万张图片怎么喂给模型照片是 JPEG 文件模型要的是数值张量而且一次喂一张太慢。你需要三样东西预处理缩放、转张量、归一化、数据集按文件夹自动读图打标、数据加载器按批次取数。上图是本仓库贯穿全课程的 FoodVision 数据集布局pizza、steak、sushi各占一个文件夹训练集和测试集分开存放。只要目录摆成这个形状PyTorch 就能自动把文件夹名当成类别标签这正是 04_pytorch_custom_datasets.ipynb 里教的自定义数据集核心玩法。问题 2训练循环——模型到底是怎么学会的训练听起来很玄其实每一轮都在重复同一件事预测 → 算错多少损失→ 反向传播 → 更新参数。课程把这个循环拆成了可以直接复用的三个函数train_step跑一个 epoch 的训练返回训练损失和准确率test_step在测试集上评估返回测试损失和准确率train把上面两者按 epoch 数循环起来顺带记录每一轮指标这些函数不是只存在于笔记本里而是被封装成了脚本 going_modular/engine.py以后你做任何 PyTorch 深度学习项目训练循环都可以直接搬走。问题 3模型部署——训练完的文件怎么变成能用的服务模型训练完只是一个.pth文件。要让它被使用路径是加载模型 → 对图片做和训练时一致的预处理 → 前向推理 → 把分数最高的类别翻译成人话 → 套一个网页界面Gradio发布出去。09_pytorch_model_deployment.ipynb 完整演示了这条链路仓库的 demos/ 目录里还放着 FoodVision Mini / Big 两个可直接下载部署的成品示例。仓库如何对应这 3 个问题10 本主线笔记 1 套模块化代码本仓库是 Learn PyTorch for Deep Learning: Zero to Mastery 课程的完整材料10 个编号笔记本就是一条从零基础到部署的路线子问题课程对应章节可直接复用的代码环境与张量基础00_pytorch_fundamentals.ipynb—训练/测试循环模板01_pytorch_workflow.ipynbgoing_modular/engine.py图像分类全流程03_pytorch_computer_vision.ipynbhelper_functions.py自定义数据集加载04_pytorch_custom_datasets.ipynbgoing_modular/data_setup.py笔记本代码 → 脚本05_pytorch_going_modular.mdgoing_modular/ 整个目录迁移学习快速提精度06_pytorch_transfer_learning.ipynb—实验记录与对比07_pytorch_experiment_tracking.ipynb—模型保存与部署09_pytorch_model_deployment.ipynbdemos/其中第 05 节值得单独说它演示如何把笔记本里零散的代码格整理成上面表格右列那种数据/训练/预测各一个文件的模块化结构——这是真实 PyTorch 项目最常见的组织方式going_modular/README.md 里讲得很细。3 步实操从零跑通一个 FoodVision 识别模型第 1 步准备环境推荐 Colab零配置最简单的路线是 Google Colab自带 PyTorch、免费 GPU仓库每个笔记本顶部都有Open in Colab按钮。按 SETUP.md 走一遍后用下面两行确认 PyTorch 能用到 GPUimport torch print(torch.cuda.is_available()) # 打印 True 说明 PyTorch 可以使用 GPU第 2 步加载数据并训练在 04_pytorch_custom_datasets.ipynb 中仓库提供了pizza_steak_sushi.zip数据集仓库data/目录里就有压缩包。数据加载器只需一行调用函数本体在 going_modular/data_setup.pyfrom going_modular.data_setup import create_dataloaders train_dataloader, test_dataloader, class_names create_dataloaders( train_dirpizza_steak_sushi/train, test_dirpizza_steak_sushi/test, transformimage_transform, batch_size32 )然后调用train函数训练若干轮from going_modular.engine import train results train(modelmodel, train_dataloadertrain_dataloader, test_dataloadertest_dataloader, optimizeroptimizer, loss_fnloss_fn, epochs10, devicedevice)训练结束后用 going_modular/utils.py 里的save_model把模型存成.pth文件仓库models/目录里就放着课程各节训好的模型可作对照。第 3 步精度不够用迁移学习 部署上线自训模型精度不理想是常态。第 06 节教你一个省力招数拿一个在大数据集上预训练好的模型如 EfficientNet只换掉最后的分类头在自己数据上微调几轮精度通常大幅跃升——06_pytorch_transfer_learning.ipynb 有完整步骤。最后按第 09 节用 Gradio 包一层网页你的识别模型就上线了。想直接看成品demos/里的foodvision_mini.zip解压即可运行。跑通之后3 个可以继续探索的方向给实验装上记录仪训练 10 个版本后忘了哪个最好07_pytorch_experiment_tracking.ipynb 教你用 TensorBoard 把每次实验的曲线、参数、模型全记下来横向对比一目了然。复刻一篇真实论文08_pytorch_paper_replicating.ipynb 带你逐公式实现 Vision Transformer是从会写代码迈向能读论文的最好训练。给代码提速PyTorch 2.0 的torch.compile能显著加快训练extras/pytorch_2_intro.ipynb 用 CIFAR10 ResNet50 实测了不同显卡上的加速效果数据在 extras/pytorch_2_results/ 里。另外每章笔记都配套了练习题extras/exercises/和参考答案extras/solutions/卡住时先看题、再对答案比直接翻笔记学得更牢。祝你敲下第一段torch代码顺利。【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考