神经网络模型训练套路（一）

1. 准备数据集dataset，及数据加载dataloader

我用的是CIFAR-10彩色图像数据集，CIFAR-10 是一个用于识别普适物体的小型数据集。一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。CIFAR-10数据集中每个图片的尺寸为32 × 32 ，每个类别有6000个图像，数据集中一共有50000 张训练图片和10000 张测试图片。

2.搭建网络模型

                                                             CIFAR 10 model结构

3.创建损失函数、优化器

4.设置训练参数（epoch...)

5.网络进入训练状态（调用model.train()）

(1)从train_dataloader中加载数据   

(2) 计算损失函数        

(3) 反向传播，优化器优化        

(4) print, tensorboard 展示输出

6. 每个epoch训练完成后，网络进入测试状态

(1) 在with torch.no_grad下进行（只测试，无梯度优化）  

(2) 从test_dataloader中加载数据  

(3) 计算指标（loss,acc)，展示模型效果

7. 保存模型