在這個章節中，我們將學習如何使用PyTorch來訓練一個簡單的機器學習模型。PyTorch是一個強大且靈活的深度學習框架，廣泛應用於研究和工業界。通過這個教程，你將學會如何安裝PyTorch、準備數據、構建和訓練模型，並評估模型的性能。

• 你可以在Kaggle平台上下載資料集或其他資源。
• 可以直接在Kaggle平台上使用notebook進行模型訓練，這樣你不需要在本地環境中設置和運行代碼。
• Kaggle和Colab一樣，都是免費提供的資源，這意味著你可以免費使用這些平台來進行數據科學和機器學習的實驗和研究。

Setting

如果沒有要用自己的電腦跑 Model 可以跳過 Setting 的步驟。

首先，我們需要確認是否已經進入自己的環境：

• 打開CMD/terminal輸入

$ conda activate test

接著我們需要安裝PyTorch。你可以使用以下命令來安裝PyTorch：

• 安裝之前要確認自己的CUDA版本
• 打開CMD/terminal輸入 nvidia-smi
  
• 進去 Pytorch官網 https://pytorch.org/get-started/locally/
• 選擇適合自己的環境，並複製指令 貼在自己的CMD

如果是CUDA 11 就選 CUDA 11.X，後面小數點不一樣沒關係

$ pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

1. 資料準備

下載以下Dataset
https://www.kaggle.com/competitions/dogs-vs-cats-redux-kernels-edition
根據前幾日準備好的程式，套用進去。

train_dir = '/kaggle/working/dataset/train_set/'
test_dir  = '/kaggle/working/dataset/test_set/'
class dataset(torch.utils.data.Dataset):
    def __init__(self, file_path, transform = None):
        self.file_path = file_path
        self.file_list = glob.glob(file_path+'*/*.jpg')
        self.transform = transform
    
    def __len__(self):
        return len(self.file_list)
    
    def __getitem__(self,idx):
        img_path = self.file_list[idx]
        image = Image.open(img_path)
        if self.transform:
            img = self.transform(image)
        
        label = img_path.split('/')[-1].split('.')[0]
        if label == 'dog':
            label = 1
        elif label == 'cat':
            label = 0
        
        return img, label
train_dataset = dataset(train_dir, train_transform)
test_dataset = dataset(test_dir, transform)

2. 資料預處理

train_transform可以自己新增方法。

train_transform = transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize(mean = [0.4883, 0.4551, 0.4170], std = [0.2276, 0.2230, 0.2233]),
            transforms.Resize([64, 64])
        ])
transform = transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize(mean = [0.4883, 0.4551, 0.4170], std = [0.2276, 0.2230, 0.2233]),
            transforms.Resize([64, 64])
        ])

3. 模型構建

接下來，我們需要構建一個簡單的神經網絡模型。
這邊我們直接使用torchvision裡面內建的models，使用他的預訓練權重 pretrained=True 。

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torchvision.models as models

# 加載預訓練的 ResNet18 模型
model = models.resnet18(pretrained=True)

# 調整最後一層
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 2)

4. 訓練模型

設置損失函數和優化器，然後進行模型訓練。
在訓練模型之前，我們需要定義損失函數和優化器。在這個例子中，我們將使用交叉熵損失函數和Adam優化器：

除了CrossEntropyLoss，也可以自己替換適合的loss 或是 上次有學到的 直接與其他的loss相加

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 訓練循環
for epoch in range(num_epochs):
    running_loss = 0.0
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f'Epoch {epoch + 1}, Loss: {running_loss / len(trainloader)}')

5. 模型評估

訓練完成後，我們需要評估模型的性能。以下代碼展示了如何在測試數據集上評估模型：
使用驗證集評估模型的性能，計算準確率等指標。

Accuracy之外也可以自己採用別的方法去評估整體模型。

• 這邊val_dataset請用上次教的split切割train dataset的方式切出來 就可以進行validation。
• 最後進行model保存

correct = 0
total = 0
with torch.no_grad():
    for inputs, labels in val_loader:
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f'Accuracy: {accuracy}%')

torch.save(model,'model.pth')

6. 預測

使用訓練好的模型對新圖像進行預測。
這邊是用一張圖片的例子去做示範。

def predict_image(image):
    image = transform(image).unsqueeze(0)
    outputs = model(image)
    _, predicted = torch.max(outputs.data, 1)
    return 'Cat' if predicted.item() == 0 else 'Dog'

這些步驟涵蓋了從資料準備到模型訓練和預測的完整過程。
ResNet18 的優點在於其較少的參數量和較快的收斂速度，非常適合這類圖像分類任務。

可以嘗試自己寫一份可以運行的紀錄/看時間的code。

通過這個教程，我們學習了如何使用PyTorch來訓練一個簡單的神經網絡模型。我們從安裝PyTorch開始，準備數據，構建模型，定義損失函數和優化器，訓練模型，並最終評估模型的性能。希望這個教程能幫助你理解和掌握PyTorch的基本使用方法，並為你進一步學習和探索AI技術打下基礎。