深度学习代码大总结（持续更新。。。）

使用pytorch搭建模型的步骤及教程

参考博客

1.__ init __(self)

该函数调用超类的构造函数。这是强制性的。

此处使用 torch.nn 库定义了该模型的不同层。层的类型和数量特定于手头的问题。它可以是单层线性模型，也可以是基于复杂数学模型的多层。

还声明了每一层的输入和输出大小以及其他必需的参数。每层的大小和其他值可以作为构造函数中的参数进行检索，从而允许模型实例具有可变架构或硬编码。

2.forward(self, x)

此函数定义数据如何通过一次前向传递。可以从 torch.nn.functional 库定义不同层的激活函数。

3.training_step(self,batch)

在这个函数中，我们定义了模型的一个训练步骤，该步骤接收一批数据并返回损失。

对于给定的批次，我们将输入和目标分开，这里是图像及其标签。输入通过使用“ self ”关键字调用的 forward 函数传递，以获得输出。

将适当的损失函数应用于输出和目标以计算损失。

4.validation_step(self,batch)

在这个函数中，我们定义了一个验证步骤，即我们评估当前状态的模型。

给定批次的损失是按照上面的 training_step() 函数中的描述计算的。除此之外，还可以评估其他几个指标，例如准确度、auc、精确度、召回率等等。

这些指标的结果用于评估模型的性能，而不是用于训练过程。因此，我们将.detach()应用于结果以将它们从梯度计算中排除。

加载数据集

类库：datasets

from datasets import load_dataset

# 加载数据
dataset = load_dataset（path = ' ',split = 'train'）

参数总结：

• split

参考资料

• datasets Dataset类（1）