PyTorch - 26 - CNN训练循环说明 - 神经网络代码项目

Training With A Single Batch

在上一集中，我们了解到训练过程是一个迭代过程，并且为了训练神经网络，我们建立了所谓的训练循环。

1. 准备数据
2. 建立模型
3. 训练模型
   a. 建立训练循环
4. 分析模型的结果

我们可以通过以下方式总结用于单批训练的代码：

network = Network()

train_loader = torch.utils.data.DataLoader(train_set, batch_size=100)
optimizer = optim.Adam(network.parameters(), lr=0.01)

batch = next(iter(train_loader)) # Get Batch
images, labels = batch

preds = network(images) # Pass Batch
loss = F.cross_entropy(preds, labels) # Calculate Loss

loss.backward() # Calculate Gradients
optimizer.step() # Update Weights

print('loss1:', loss.item())
preds = network(images)
loss = F.cross_entropy(preds, labels)
print('loss2:', loss.item())

输出：

loss1: 2.3034827709198
loss2: 2.2825052738189697

您会注意到的一件事是，每次运行此代码时࿰