pytorch打印当前学习率

p y t o r c h 打 印 当 前 学 习 率 pytorch打印当前学习率 pytorch

# 打印当前学习率
print(optimizer.state_dict()['param_groups'][0]['lr'])

net = major_config.model  # 对应修改模型 net = se_resnet50(num_classes=5,pretrained=True)
optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9)   
# 打印当前学习率
print(optimizer.state_dict()['param_groups'][0]['lr'])
  • 16
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用PyTorch训练深度学习模型的一般步骤如下: 1. 准备数据集:首先需要准备好训练数据和测试数据,可以使用PyTorch提供的数据加载工具,也可以自己编写代码读取数据。 2. 定义模型结构:使用PyTorch定义深度学习模型的结构,可以使用已有的模型结构,也可以自己设计模型。 3. 定义损失函数:选择适合当前模型的损失函数,并定义计算方法。 4. 定义优化算法:选择适合当前模型的优化算法,并定义计算方法。 5. 训练模型:使用准备好的数据集、模型结构、损失函数和优化算法进行模型训练,通过迭代优化模型参数来提高模型性能。 6. 模型评估:使用测试数据对训练好的模型进行评估,可以计算准确率、召回率、F1值等指标。 7. 模型保存:保存训练好的模型,方便后续使用。 下面是一个简单的示例代码: ```python import torch import torch.nn as nn import torch.optim as optim # 准备数据集 train_dataset = ... test_dataset = ... # 定义模型结构 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = self.fc1(x) x = torch.relu(x) x = self.fc2(x) return x net = Net() # 定义损失函数和优化算法 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 训练模型 for epoch in range(10): running_loss = 0.0 for i, data in enumerate(train_dataset, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 1000 == 999: # 每1000个batch打印一次loss print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 1000)) running_loss = 0.0 print('Finished Training') # 模型评估 correct = 0 total = 0 with torch.no_grad(): for data in test_dataset: inputs, labels = data outputs = net(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test images: %d %%' % ( 100 * correct / total)) # 模型保存 PATH = './model.pt' torch.save(net.state_dict(), PATH) ``` 以上代码展示了一个简单的分类任务模型的训练过程,具体步骤可以根据需求进行调整和修改。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值