train_curve = list()
def train_net(net, device, data_path, epochs=100, batch_size=4, lr=0.01):
# 加载训练集
isbi_dataset = ISBI_Loader(data_path)
train_loader = torch.utils.data.DataLoader(dataset=isbi_dataset,
batch_size=batch_size,
shuffle=True)
# 定义RMSprop算法
optimizer = optim.RMSprop(net.parameters(), lr=lr, weight_decay=1e-8, momentum=0.9)
# 定义Loss算法
criterion = nn.BCEWithLogitsLoss()
# best_loss统计,初始化为正无穷
best_loss = float('inf')
# 训练epochs次
step = 0
for epoch in range(epochs):
print('Epoch {}/{}'.format(epoch, epochs))
print('-' * 10)
dt_size = len(train_loader.dataset)
epoch_loss = 0
# 训练模式
net.train()
# 按照batch_size开始训练
for image, label in train_loader:
s
记录训练过程
最新推荐文章于 2022-04-10 16:28:29 发布
本文详细记录了使用PyTorch进行深度学习项目的过程中,神经网络的训练过程,包括模型构建、数据预处理、损失函数选择、优化器配置以及训练集和验证集上的性能表现。
摘要由CSDN通过智能技术生成