以下就是完整的神经网络模型训练套路,我们拿到的数据集是CRIF10,CIFAR-10数据集由10个类的60000个32x32彩色图像组成,每个类有6000个图像。有50000个训练图像和10000个测试图像。它能够将图像进行10分类。我们就用CIFAR10来进行神经网络的训练:
利用CPU训练
# 姓 名:杨雅静
# 开发时间:2021/11/13 19:59
import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch import nn
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
train_data_size = len(train_data)
test_data_size = len(test_data)
# 计算下长度
print("训练数据集的长度为:{}".format(train_data_size))
print("测试数据集的长度为:{}".format(test_data_size))
# 利用DataLoader来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
#创建网络模型
ss=net_work()
#损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
learning_rate=0.01
optimizer = torch.optim.SGD(ss.parameters(),lr=learning_rate)
#设置训练网络的一些参数
#记录训练的次数
total_train_step=0
#记录测试的次数
total_test_step=0
writer=SummaryWriter("logs_train")
#训练的轮数
epoch=10
for i in range(epoch):
print("-------第{}轮测试开始-------".format(i+1))
#训练步骤开始
ss.train()
for data in train_dataloader: #data是批量数据 batch_size=64 图片是3@32X32的
imgs,targets = data