pytorchgpu测试_PyTorch教程-4：PyTorch中网络的训练与测试

PyTorch教程-4：PyTorch中网络的训练与测试

基本原理

对于要训练的模型，首先我们需要定义其结构，实例化一个用于计算Loss的loss_function和一个用于更新参数的optimizer，之后的事情就比较简单了，只要准备训练数据，然后设定训练的代数(或者停止条件)就可以进行迭代的训练。最后保存模型。对于验证的模型，只要将数据传输进训练好的模型中就能得到预测的结果，当然这个过程通常是不需要计算梯度的，所以通常在 torch.no_grad() 的条件下进行。

本节以CIFAR10的一个简单训练为例进行说明

准备数据

PyTorch中提供了很好的数据接口，当然也可以配合其他的数据集与数据加载工具。对于本节中的图像类型的数据，PyTorch的 torchvision 模块提供了很好的帮助，以及 torchvision.transforms 则对图像的预处理与变换提供了很方便的方法。这些在后边的内容中会详细地介绍，这里只给出一个简单的加载数据的例子，并将CIFR10的数据分成训练集和测试集：

import torch

import torchvision

import torchvision.transforms as transforms

transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuff