gistfile1.txt

import numpy as np
import torch
import torch.nn as nn
from torchvision import datasets
from torchvision import transforms
from torch.utils.data.sampler import SubsetRandomSampler
import gc

# Конфигурация устройства (GPU/CPU)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# Загрузка и предобработка данных
def data_loader(data_dir, batch_size, random_seed=42, valid_size=0.1, shuffle=True, test=False):
    # Нормализация данных для CIFAR-10
    normalize = transforms.Normalize(
        mean=[0.4914, 0.4822, 0.4465],  # Средние значения для каналов RGB
        std=[0.2023, 0.1994, 0.2010],   # Стандартные отклонения
    )
    
    # Преобразования данных
    transform = transforms.Compose([
        transforms.Resize((224,224)),    # Изменение размера изображений
        transforms.ToTensor(),          # Конвертация в тензор
        normalize,                      # Нормализация
    ])

    # Загрузка тестовых данных
    if test:
        dataset = datasets.CIFAR10(
            root=data_dir, 
            train=False, 
            download=True, 
            transform=transform
        )
        return torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=shuffle)

    # Загрузка и разделение тренировочных данных
    train_dataset = datasets.CIFAR10(
        root=data_dir, 
        train=True, 
        download=True, 
        transform=transform
    )
    valid_dataset = datasets.CIFAR10(
        root=data_dir, 
        train=True, 
        download=True, 
        transform=transform
    )
    
    # Разделение данных на тренировочные и валидационные
    num_train = len(train_dataset)
    indices = list(range(num_train))
    split = int(np.floor(valid_size * num_train))

    if shuffle:
        np.random.seed(random_seed)
        np.random.shuffle(indices)

    # Создание загрузчиков данных
    train_loader = torch.utils.data.DataLoader(
        train_dataset, 
        batch_size=batch_size, 
        sampler=SubsetRandomSampler(indices[split:]))
    valid_loader = torch.utils.data.DataLoader(
        valid_dataset, 
        batch_size=batch_size, 
        sampler=SubsetRandomSampler(indices[:split]))

    return train_loader, valid_loader

# Реализация остаточного блока
class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        # Первая свертка
        self.conv1 = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU()
        )
        # Вторая свертка
        self.conv2 = nn.Sequential(
            nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm2d(out_channels)
        )
        self.downsample = downsample  # Опциональное преобразование для skip-connection
        self.relu = nn.ReLU()

    def forward(self, x):
        residual = x  # Сохраняем вход для skip-connection
        out = self.conv1(x)
        out = self.conv2(out)
        # Если нужно изменить размерность или количество каналов
        if self.downsample:
            residual = self.downsample(x)
        # Складываем выход и skip-connection
        out += residual
        return self.relu(out)

# Реализация архитектуры ResNet
class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=10):
        super(ResNet, self).__init__()
        self.inplanes = 64  # Начальное количество каналов
        
        # Первоначальная свертка
        self.conv1 = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm2d(64),
            nn.ReLU()
        )
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        
        # Создание слоев с остаточными блоками
        self.layer0 = self._make_layer(block, 64, layers[0], stride=1)
        self.layer1 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer2 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer3 = self._make_layer(block, 512, layers[3], stride=2)
        
        # Финальные слои
        self.avgpool = nn.AvgPool2d(7, stride=1)
        self.fc = nn.Linear(512, num_classes)

    def _make_layer(self, block, planes, blocks, stride=1):
        downsample = None
        # Если нужно изменить размерность или количество каналов
        if stride != 1 or self.inplanes != planes:
            downsample = nn.Sequential(
                nn.Conv2d(self.inplanes, planes, kernel_size=1, stride=stride),
                nn.BatchNorm2d(planes),
            )
        layers = []
        layers.append(block(self.inplanes, planes, stride, downsample))
        self.inplanes = planes
        # Добавляем оставшиеся блоки
        for _ in range(1, blocks):
            layers.append(block(self.inplanes, planes))
        return nn.Sequential(*layers)

    def forward(self, x):
        # Прямой проход через все слои
        x = self.conv1(x)
        x = self.maxpool(x)
        x = self.layer0(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.avgpool(x)
        x = x.view(x.size(0), -1)  # Вытягиваем в вектор
        x = self.fc(x)  # Финальный полносвязный слой
        return x

# Параметры обучения
num_classes = 10    # Количество классов в CIFAR-10
num_epochs = 20     # Количество эпох
batch_size = 16     # Размер батча
learning_rate = 0.01  # Скорость обучения

# Инициализация загрузчиков данных и модели
train_loader, valid_loader = data_loader(data_dir='./data', batch_size=batch_size)
test_loader = data_loader(data_dir='./data', batch_size=batch_size, test=True)
model = ResNet(ResidualBlock, [3, 4, 6, 3]).to(device)  # ResNet34-архитектура

# Функция потерь и оптимизатор
criterion = nn.CrossEntropyLoss()  # Функция потерь
optimizer = torch.optim.SGD(       # SGD-оптимизатор
    model.parameters(), 
    lr=learning_rate, 
    weight_decay=0.001,  # L2-регуляризация
    momentum=0.9         # Момент
)

# Процесс обучения
total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        # Перенос данных на устройство (GPU/CPU)
        images, labels = images.to(device), labels.to(device)
        
        # Прямой проход
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # Обратный проход и оптимизация
        optimizer.zero_grad()  # Обнуляем градиенты
        loss.backward()        # Вычисляем градиенты
        optimizer.step()       # Обновляем веса
        
        # Очистка памяти
        del images, labels, outputs
        torch.cuda.empty_cache()
        gc.collect()

    # Валидация после каждой эпохи
    with torch.no_grad():
        correct, total = 0, 0
        for images, labels in valid_loader:
            images, labels = images.to(device), labels.to(device)
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
            del images, labels, outputs
        
        print(f'Эпоха [{epoch+1}/{num_epochs}], Потери: {loss.item():.4f}, '
              f'Точность на валидации: {100 * correct/total:.2f}%')

# Тестирование модели
with torch.no_grad():
    correct, total = 0, 0
    for images, labels in test_loader:
        images, labels = images.to(device), labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
    
    print(f'Точность на тестовых данных: {100 * correct/total:.2f}%')