模型套路1——神经网络模型训练

实现深度学习网络需经历个步骤：

1、导入数据集（如果是图片需要转化为tensor）

2、利用dataloader加载数据（作用是分成小batch）

3、搭建网络结构

4、构造损失函数

5、创造优化器（SGD）

6、设置网络的一些参数（如训练次数）

7、测试训练好的模型（看在测试集上总的损失）

具体代码如下（含注释）

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader

#导数
train_data=torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor()) #此处..表示数据保存在代码文件上层的上层
test_data=torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor())


train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练数据集长度：{}".format(train_data_size))
print("测试数据集长度：{}".format(test_data_size))

#切片
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

#搭建网络
class Tudui(nn.Module): #缺少模块名字时可以直接右键import，module是所有神经网络的模板
def __init__(self):
super(Tudui,self).__init__()
self.model=nn.Sequential(#用一个sequenti构建网络，方便后续调用
nn.Conv2d(3,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self,x):
x=self.model(x)
return x

tudui = Tudui()
#损失函数
loss_fn=nn.CrossEntropyLoss()

#优化器
learning_rate=1e-2
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)

#设置参数
total_train_step=0
total_test_step=0
epoch=10

for i in range(epoch):
print("----------第{}轮训练开始-------".format(i+1))

for data in train_dataloader:
imgs,targets=data
outputs=tudui(imgs)
loss=loss_fn(outputs,targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step=total_train_step+1
print("训练次数:{},loss:{}".format(total_train_step,loss.item()))#item作用是把tensor转为数字

最终训练效果：