12 - PyTorch的模型整体训练流程讲解

1. 准备

• 数据集
  （1）Dataset:将数据打包成一个(features,labels)对
  （2）DataLoader将Dataset按给定批量大小batchsize打包成一个DataLoader
• 神经网络
  （1）class Netural_Network神经网络机构
  （2）forward 前向传播函数
• 超参数
  （1）batch_size:批量大小
  （2）learning_rate:学习率
  （3）epoch:迭代周期
• 损失函数
  （1）loss_fn = nn.CrossEntropyLoss();
• 优化器
  （1）optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
• 训练模式
  我们假设训练集中有样本(x,y)，假设神经网络为f(x);损失函数为l(x)
  $$l(x)=lossfn[f(x),y]$$
• 将我们得到的f(x);通过给定x得到预测 pred=f(x)

2. 代码

• datasets
• dataloader
• NeuralNetwork

# 1.导入相关数据库
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

# 2.得到datasets
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

# 3. 通过datasets得到dataloader
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 4. 得到神经网络
class NeuralNetwork(nn.Module):
	# 定义神经网络结构
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )
	# 定义数据前向传播函数
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits
        
# 5. 实例化神经网络
model = NeuralNetwork()

• Hyperparameters
  一旦我们设置了超参数，我们就可以通过优化循环训练和优化我们的模型。优化循环的每次迭代称为epoch
  每个epoch由两个主要部分组成
  （1）训练循环：迭代训练数据集，并尝试收敛到最优参数。
  （2）验证/测试循环：迭代测试数据集，检查模型性能是否得到改善

# 学习率
learning_rate = 1e-3
# 批量大小
batch_size = 64
# 迭代周期
epochs = 5

• loss-function
  损失函数的作用是为了测量神经网络输出值和目标标签的差距，我们的目标是希望损失越来越小，这样我们得到的神经网络就更适合做预测；常用的损失函数包括nn.MSELoss,(Mean Square Error, MSELoss);NLLLoss(负对数似然)用于分类。神经网络。CrossEntropyLoss结合了神经网络。LogSoftmax nn.NLLLoss。

# Initialize the loss function
# 交叉熵损失函数
loss_fn = nn.CrossEntropyLoss()

• optimizer
  优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法定义了这个过程是如何执行的(在这个例子中，我们使用随机梯度下降法)。所有优化逻辑都封装在优化器对象中。这里，我们使用SGD优化器;此外，PyTorch中还有许多不同的优化器，比如ADAM和RMSProp，它们可以更好地处理不同类型的模型和数据。我们通过记录需要训练的模型参数，并传入学习速率超参数来初始化优化器

# 定义优化器，将模型中需要训练的参数和学习率传入到优化器中
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

在训练循环中，优化分为三个步骤:
（1）调用 optimizer.zero_grad()将模型的参数清零。参数的梯度在默认情况下是叠加的;为了防止重复计算，我们在每次迭代时显式地将它们归零。
（2）通过调用loss.backward()反向传播预测损失;pytorch 保留了模型中每个参数的梯度，每次通过梯度来更新参数
（3）一旦我们有了梯度，我们调用optimizer.step()来应用向后传递收集的梯度来调整参数

3. 整体应用

def train_loop(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    # 从训练的dataloader中拿到(features,labels)=(x,y)
    for batch, (X, y) in enumerate(dataloader):
        # Compute prediction and loss
        # 通过神经网络，我们给定x得到预测pred
        pred = model(X)
        # 将pred和标签y计算得到损失loss
        loss = loss_fn(pred, y)

        # Backpropagation
        # 优化器梯度清零
        optimizer.zero_grad()
        # 损失回传
        loss.backward()
        # 优化器更新
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")


def test_loop(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    test_loss, correct = 0, 0
	
	# 预测不需要更新模型，也就不需要计算梯度，故用with torch.no_grad()
    with torch.no_grad():
    # 从预测dataloader中拿到(features,label)=(x,y)
        for X, y in dataloader:
        #  通过模型得到预测pred
            pred = model(X)
            # 为了测试损失
            test_loss += loss_fn(pred, y).item()
            # 将预测值最大的一项定义为正确预测值
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")

我们初始化loss函数和优化器，并将其传递给train_loop和test_loop。您可以随意增加epoch的数量，以跟踪模型的改进性能

# 定义损失函数
loss_fn = nn.CrossEntropyLoss()
# 定义优化器并将模型的参数和学习率传入到优化器中
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# 开始迭代
epochs = 10
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    # 训练
    train_loop(train_dataloader, model, loss_fn, optimizer)
    # 测试
    test_loop(test_dataloader, model, loss_fn)
print("Done!")