参考视频:https://www.bilibili.com/video/BV1hE411t7RN?p=27&spm_id_from=pageDriver
1、格式化字符串用法:
print("训练数据集的长度为:{}".format(train_data_size))
2、
加载数据Dataset;数据进行打包DataLoader;创建网络模型;构建损失函数、优化器;
训练网络。
print("第{}轮训练开始".format(i+1))
# .item()tensor数据类型转换为tensor类型
print("训练次数:{}, Loss: {}".format(train_step, loss.item()))
3、模型训练过程中添加测试:
训练过程无法评估模型是否训练好,故在训练几轮之后需要添加测试用来进行评估。(以测试数据集上的损失或者准确率评估模型训练效果如何)
利用现有模型进行测试:
# 计算整体数据集上的loss
total_loss = 0.0
# 数据不计梯度
with torch.no_grad():
for data in test_dataloader():
imgs,labels = data
outputs = model(imgs)
loss = loss_fn(outputs, labels)
total_loss = total_loss + loss.item()
4、模型用于分类计算
一般衡量指标为正确率:
首先给定正确率:total_accuary = 0.0
一批数据的正确率:accuary = (outputs.argmax(1) == targets).sum()
整体正确率为:total_accuracy/test_data_size
5、模型训练注意细节:
只针对dropout和BN层有作用。
训练:model.train():
测试:model.eval()