Pytorch2

训练过程

（1）设置优化器

optimizer=torch.optim.Adam(model.parameters(),lr=0.001)
#Adam优化器，是一种自适应学习率的算法，常用于训练深度学习模型
#model.parameters()返回模型中所有需要被训练的参数
#lr=0.001设置了学习率0.001，学习率是一个超参数，用来控制在优化过程中参数更新的步长大小

（2）定义损失函数

criterion=nn.CrossEntropyLoss()
#使用交叉熵损失函数，他是分类任务中常用的损失函数之一。他同时考虑了正确分类的概率并进行了对数交换，以胜避数值不稳定

（3）训练循环

for epoch in range(5):
    for images,labels in train_loader:
#外层循环变量epoch用于迭代器遍历训练数据。train_loader将数据集分成多个批次，其中每个批次都包含了图像和相应的标签

（4）数据预处理

    images=images.view(-1,28*28)
#将图像张量从二维图像（每个图像28*28像素）转换为一维向量，因为我们的模型是全连接的（SimpleNN）.-1在这里的意思是自动计算这一维的大小，确保整个批次的数据能被正确reshape

（5）梯度归零

    optimizer.zero_grad()
#在每次的梯度计算之前需要将梯度归零（重置），否则梯度会累加到已有的梯度上，这是因为Pytorch在调用.backward()时默认会累积梯度

（6）前向传播

    output=model(images)
#执行模型的前向传播步骤，输出每个类别的预测结果

（7）计算损失

    loss=criterion(output,labels)
#根据模型输出和真实标签计算损失值

（8）反向传播

    loss.backward()
#执行反向传播，计算关于损失函数的所有模型参数的梯度

（9）参数更新

    optimizer.step()
#根据计算得到的梯度更新模型参数，以最小化损失函数

评估与分析

（1）函数定义

def evaluate_model(model,data_loader):
#定义名为evaluate_model的函数，接受两个参数：model---训练好的模型,data_loader---用于评估该模型的数据加载器

（2）模型评估模式

    model.eval()
#调用.eval()将模型设置到评估模式

（3）初始化计数器

    total_correct=0
    total=0
#初始化total_correct变量来记录预测正确的样本数量，初始化total变量来记录总样本数量

（4）禁用梯度计算

    with torch.no_grad():
#使用torch.no_grad()上下文管理器在评估模型时禁用梯度计算

（5）数据加载并处理

        for images,labels in data_loader:
            images=images.view(-1,28*28)
#迭代数据加载器中的数据，数据加载器返回一批图像和对应的标签。
#将每批图像数据通过view方法调整为二维张量，以匹配模型的输入格式（模型期望输入为向量形式）

（6）模型预测

            output=model(images)
            _,predicted=torch.max(output.data,1)
#使用模型对输入图像进行前向传播，得到预测结果
#torch.max(outpuut.data,1)返回每一行的最大值的索引，即预测的类别标签

（7）统计正确的预测数量和总数量

            total+=labels.size(0)
            total_correct+=(predicted==labels).sum().item()
#更新总样本数。labels.size(0)给出当前批次的样本数量。
#更新正确预测的总数。比较predicted和labels得到一个布尔张量，然后使用.sum().item()得到正确预测的数量

（8）打印准确率

    print(f'Accuracy:{100*total_correct/total:.2f}%')
#最后输出准确率，计算方式是正确预测的数量除以总样本数量，转换为百分比格式输出

（9）调用函数评估模型

evaluate_model(model,test_loader)
#使用上面定义的evaluate_model函数和参数model（训练好的模型）及test_loader(测试数据加载器)来评估模型性能