【无标题】

目录

前言

一、要解决的问题 ？

二、如何做

1.训练模型

2.验证函数

总结

---

---

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、要解决的问题 ？

基于pytorch的模型训练过程。

要解决的问题 

二、如何做

1.训练模型

定义一个用于训练和验证过程的的函数

def train_one_epoch(model, optimizer, data_loader, device, epoch):
    model.train()
    # 定义损失函数
    loss_function = torch.nn.CrossEntropyLoss()
    mean_loss = torch.zeros(1).to(device)
    # 梯度清零
    optimizer.zero_grad()


    for step, data in enumerate(data_loader):
        images, labels = data
        # 前向传播
        pred = model(images.to(device))

        loss = loss_function(pred, labels.to(device))
        # 反向传播
        loss.backward()
        
        mean_loss = (mean_loss * step + loss.detach()) / (step + 1)  # update mean losses
   
        # 优化
        optimizer.step()
        # 梯度清零
        optimizer.zero_grad()

    return mean_loss.item()

 在main函数中就可以调用该训练函数了，使用该函数前确保，要传入5个参数

# 准备好数据，其中ImageDataset是自定义数据集的加载方式，要实现 __init__   __len__     __getitem__这三个类方法
train_set = ImageDataset(train_data, transform=data_transform["train"])
train_loader = torch.utils.data.DataLoader(train_set,
                                               batch_sampler=train_batch_sampler,
                                               pin_memory=True,
                                               num_workers=nw,
                                               collate_fn=train_set.collate_fn)
# 实例化了model
optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)
# 是CPU、GPU、还是单机多卡
device = torch.device(args.device)
# 训练周期
epoch = 100

2.验证函数

分类网络中、计算性能指标：例如准确率的代码如下（示例）：该函数返回多少个预测正确的个数

损失是用来衡量模型在验证集上的拟合程度或误差大小的指标，是一种常见做法，通过计算损失，你可以获得模型在验证集上的损失值，以进一步评估模型的性能。

# 表示梯度不再更新， 上下文管理器关闭梯度计算以加快推理速度
@torch.no_grad()

def evaluate(model, data_loader, device):
    # 将模型设为评估模式
    model.eval()
    total_samples = 0    # 累计总样本数
    loss_function = torch.nn.CrossEntropyLoss()

    # 用于存储预测正确的样本个数
    sum_num = torch.zeros(1).to(device)    # acc = 0.0

    for step, data in enumerate(data_loader):
        images, labels = data
        pred = model(images.to(device))
        loss = loss_function(pred, labels)
        total_loss += loss.item() * images.size(0)
        total_samples += images.size(0)    # 对当前批次中的样本数量，在不同批次中进行累加

        pred = torch.max(pred, dim=1)[1]
        sum_num += torch.eq(pred, labels.to(device)).sum()
        

     avg_loss = total_loss / total_samples
    return sum_num.item() avg_loss

在main()函数中，要知道 "验证集中的样本总数"才能算准确率

注意：images是一个形状为 (batch_size, channels, height, width) 的四维张量，张量对象有一个 size() 方法，它返回张量在每个维度上的大小。我想获得当前批次中样本的数量，即batch_size

sum_num ，avg_loss = evaluate(model=model,
                           data_loader=val_loader,
                           device=device)

acc = sum_num / val_sampler.total_size

---

总结

以上就是有关训练和验证模型的内容，侵权立删。