知识图到文本的生成——捌

最新推荐文章于 2024-10-08 13:45:03 发布

槐廿拾

最新推荐文章于 2024-10-08 13:45:03 发布

阅读量198

点赞数

文章标签：深度学习机器学习 pytorch

本文链接：https://blog.csdn.net/qq_50729659/article/details/122143770

版权

本文深入分析了PyTorch中训练模型的核心函数`train()`，探讨了数据处理、损失计算及`trainorder`列表的随机排序。特别地，详细解释了`fixBatch()`函数的工作原理，包括如何确定批量数据、调整数据布局以及`contiguous()`函数的作用，该函数用于在不复制数据的情况下确保张量的连续性。

摘要由CSDN通过智能技术生成

2021SC@SDUSC

我们继续分析train.py，上次提到了train()函数，是train.py中的一个核心函数，它主要用于对数据集进行训练和测试。

首先看看它的四个参数以及调用时传的实际参数：

def train(m,o,ds,args):

train(m,o,ds,args)

m是一个model类的模型，model类在之前已详细分析过。

o是main函数里，通过对m的参数、权重和偏置，和学习率以及0.9的冲量调用了torch.optim.SGD函数的结果。

ds是数据集dataset。

args是pargs类的参数。

  loss = 0
  ex = 0
  trainorder = [('1',ds.t1_iter),('2',ds.t2_iter),('3',ds.t3_iter)]

loss是训练集损失数，ex是训练集增加数。trainorder是一个列表，里面存放了三个元素。这三个元素的意思在dataset类中，分别对data进行了迭代批处理。

    self.t1_iter = data.Iterator(t1d,args.t1size,device=args.device,sort_key=lambda x:len(x.out),repeat=False,train=True)
    self.t2_iter = data.Iterator(t2d,args.t2size,device