데이터 준비 및 네트워크 생성이 완료되었으므로 이제 모델을 학습시켜야 합니다. 모델 학습을 위한 함수를 생성합니다.
코드 5-20 모델 학습을 위한 함수 생성
def train_model(model, dataloaders, criterion, optimizer, device, num_epochs=13, is_train=True):
since = time.time() ------ 컴퓨터의 현재 시각을 구하는 함수
acc_history = []
loss_history = []
best_acc = 0.0
for epoch in range(num_epochs): ------ 에포크(13)만큼 반복
print('Epoch {}/{}'.format(epoch, num_epochs-1))
print('-' * 10)
running_loss = 0.0
running_corrects = 0
for inputs, labels in dataloaders: ------ 데이터로더에 전달된 데이터만큼 반복
inputs = inputs.to(device)
labels = labels.to(device)
model.to(device)
optimizer.zero_grad() ------ 기울기를 0으로 설정
outputs = model(inputs) ------ 순전파 학습
loss = criterion(outputs, labels)
_, preds = torch.max(outputs, 1)
loss.backward() ------ 역전파 학습
optimizer.step()
running_loss += loss.item() * inputs.size(0) ------ 출력 결과와 레이블의 오차를 계산한 결과를 누적하여 저장
running_corrects += torch.sum(preds == labels.data) ------ 출력 결과와 레이블이 동일한지 확인한 결과를 누적하여 저장
epoch_loss = running_loss / len(dataloaders.dataset) ------ 평균 오차 계산
epoch_acc = running_corrects.double() / len(dataloaders.dataset) ------ 평균 정확도 계산
print('Loss: {:.4f} Acc: {:.4f}'.format(epoch_loss, epoch_acc))
if epoch_acc > best_acc:
best_acc = epoch_acc
acc_history.append(epoch_acc.item())
loss_history.append(epoch_loss)
torch.save(model.state_dict(), os.path.join('../chap05/data/catanddog/', '{0:0=2d}.pth'.format(epoch))) ------ 모델 재사용을 위해 저장해 둡니다.
print()
time_elapsed = time.time() - since ------ 실행 시간(학습 시간)을 계산
print('Training complete in {:.0f}m {:.0f}s'.format(time_elapsed // 60, time_elapsed % 60))
print('Best Acc: {:4f}'.format(best_acc))
return acc_history, loss_history ------ 모델의 정확도와 오차를 반환