完整的模型训练套路（一）————PyTorch（代码注释最全）

哔哩大学的PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
的P27讲开始进行完整的训练模型套路练习。

完整的模型训练套路（一）主要做了训练的基础步骤，这部分还不完整，可以继续看下一节

先介绍一个a.item()的用法：

import torch
a = torch.tensor(5)
print(a)
print(a.item())
# 第一个print打印出来的会带一个tensor
# 第二个print加上.item就会把tensor数据类型转换成真实的数字

结果如图：

第一个print打印出来的会带一个tensor
第二个print加上.item就会把tensor数据类型转换成真实的数字

（重点）训练套路代码注释为：

import torchvision
from model import *
from torch import nn
from torch.utils.data import DataLoader
# 训练数据集的下载，root为下载位置
train_data = torchvision.datasets.CIFAR10(root="data", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
# 测试数据集的下载                                          
test_data = torchvision.datasets.CIFAR10(root="data", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

train_data_size = len(test_data)
test_data_size = len(test_data)
# 如果训练数据集的长度train_data_size=10，则会输出    训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

# 利用DataLoader来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

# 创建网络模型
tudui = Tudui()

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()

# 定义优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)   # SGD为随机梯度下降优化器,学习速率为learning_rate = 0.01

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10
for i in range(epoch):
    print("------第 {} 轮训练开始------".format(i+1))  # 为了符合阅读习惯，写成i+1

    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)    # 输出和目标之间的损失值

        # 优化器调优优化模型
        optimizer.zero_grad()  # 优化前梯度清零
        loss.backward()  # 调用损失的反向传播，得到每个参数检验的梯度
        optimizer.step()# 调用优化器
        # 一次训练完成，训练次数+1
        total_train_step = total_train_step + 1
        print("训练次数： {}，Loss： {}".format(total_train_step, loss.item())) # 因为有两个{}需要替换，所以format有两个量

网络模型在另一个python文件，用from model import *来调用。
这个模型文件model和上面的训练套路文件train在一个文件夹下即可。
网络模型model代码注释为：

# 搭建神经网络，CIFAR10有10个类别，所以要搭建一个10分类的网络
import torch
from torch import nn


class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        # 为了避免上下两个def都写一整串，将整个网络放到序列当中，前边有讲过，注释了很多代码有老乡的那一篇
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),   #  卷积
            nn.MaxPool2d(2),             #  池化
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),   # 最后两步的展平
            nn.Linear(64, 10)

        )


    def forward(self, x):
        x = self.model(x)
        return x

if __name__ == '__main__':
    tudui = Tudui()
    input = torch.ones((64, 3, 32, 32))  # 创建一个输出的尺寸  64个图片，3个通道，32*32的
    output = tudui(input)
    print(output.shape)

运行结果如图：