Pytorch代码入门学习之分类任务（四）：训练与测试网络

一、训练网络

1.1 代码

for epoch in range(2):
    
    running_loss = 0.0
    
    for i,data in enumerate(trainloader,0):
        inputs,labels = data
        optimizer.zero_grad()
        
        outputs = net(inputs)
        loss = criterion(outputs,labels)
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()
        
        if i % 2000 == 1999:
            print('[%d,%5d] loss:%.3f' % (epoch + 1,i+1,running_loss/2000))
            running_loss = 0.0
 
print("Finish")

注：python中的enumerater是指接收一个可迭代对象为参数（还可以用start参数用于表明起始下标，即下面的0），返回一个元组，元组第一位为迭代数（从0开始），第二位即为可迭代对象的一项。

1.2 训练网络的目的

       通过一个循环，按照batch从训练数据集中取出数据，将数据喂给网络，得到网络的预测结果后，使用 loss_function 计算损失，然后再将损失反向传播得到所有参数的梯度，最后使用 optimizer 更新参数即可。

        网络根据输入的数据进行更新，给图片标签让网络计算损失函数，然后更新网络参数，生成模型。

1.3 保存训练参数 

PATH='./cifar_net.pth'
torch.save(net.state_dict(),PATH)

1.4 查看正确输出

dataiter = iter(testloader)
images,labels = dataiter.next()
imshow(torchvision.utils.make_grid(images))
print('GroundTruth:',' '.join('%5s'% classes[labels[j]] for j in range(4)))

二、测试网络

2.1 查看预测效果

# 实例化网络
net = Net()
PATH='./cifar_net.pth'
net.load_state_dict(torch.load(PATH))
outputs = net(images)
_,predicted = torch.max(outputs,1)
print('Predicted:',' '.join('%5s'% classes[predicted[j]] for j in range(5)))

2.2 准确率

        与训练网络不同的是，测试网络不需要计算梯度，测试网络的代码通常在torch.no_grad()下完成。 

        准确率可以观察整个训练集的预测结果表现：

correct = 0
total = 0  # 整个数据集的大小
with torch.no_grad():
    for data in testloader:
        images,labels = data
        outputs = net(images)
        _,predicted = torch.max(outputs,1)
        
        total += labels.size(0)
        # 两个维度的向量逐行对比，相同的即正确的行记为1，不同的即不准确的行记为0，利用sum()求各元素的总和
        correct += (predicted == labels).sum().item()
 
correctGailv = 100*(correct / total)
print(correctGailv)

注意：对输出向量做max操作得到取得最大值的类。

        （因为训练次数太少，所以准确率较低。）

        参考：006 第一个分类任务完结_哔哩哔哩_bilibili