pytorch学习（十四）：完整的模型训练套路

 以简单数据集CIFAR10为例，本次训练以GPU训练为例。

# -*- coding: utf-8 -*-  
# File created on 2024/8/11 
# 作者：酷尔
# 公众号：酷尔计算机
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from model import *
import torch
from torch.utils.tensorboard import SummaryWriter
train_data=torchvision.datasets.CIFAR10('./dataset',train=True,download=True,transform=torchvision.transforms.ToTensor())
test_data=torchvision.datasets.CIFAR10('./dataset',train=False,download=True,transform=torchvision.transforms.ToTensor())

train_data_size=len(train_data)
test_data_size=len(test_data)
print("训练数据集的长度为：{}".format(train_data_size),"测试数据集的长度为：{}".format(test_data_size))

train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

#创建网络模型
wang=Wang()
#损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
# learning_rate=0.01
learning_rate=1e-2
optimizer=torch.optim.SGD(wang.parameters(),lr=learning_rate)

#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

#添加tensorboard
writer=SummaryWriter("logs_train")


for i in range(epoch):
    print(f"-------------第{i+1}轮训练开始---------------")
    
    wang.train()
    for data in train_dataloader:
        imgs,targets=data
        output=wang(imgs)
        loss=loss_fn(output,targets)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        total_train_step+=1
        if total_train_step%100==0:
            print("训练次数：{}，Loss:{}".format(total_train_step,loss))
            writer.add_scalar("train_loss",loss.item(),total_train_step)
    #测试
    wang.eval()
    total_test_loss=0
    total_accuracy=0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets=data
            output=wang(imgs)
            loss=loss_fn(output,targets)
            total_test_loss+=loss.item()
            accuracy=(output.argmax(1)==targets).sum()
            total_accuracy+=accuracy

    print("整理测试集上的Loss：{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss,total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step+=1

    torch.save(wang,"./models/wang_{}.pth".format(i))
    print("模型已保存")

writer.close()

optimizer.zero_grad()
loss.backward()
optimizer.step()

讲解一下这三行代码的流程，首先optimizer.zero_grad() 将梯度清零，也就是每一层里的weight的grad里的参数清零，执行loss.backward()以后，grad里存储的就是反向传播的参数，optimizer.step()执行，将grad的值对参数进行更新。

with torch.no_grad():

当你将代码块放在with torch.no_grad():之下时，PyTorch会自动将该代码块中的所有操作设置为不计算梯度。这意味着，在这个代码块中进行的所有张量（Tensor）操作都不会追踪梯度，也不会增加计算图（computation graph）的复杂性。这对于提高代码的执行效率特别有用，尤其是在处理大规模数据或进行实时推理时。

备注;

在Python中，if __name__ == '__main__': 这行代码扮演着非常重要的角色，它主要用于判断当前运行的脚本是否是主程序。这行代码的工作原理基于Python中一个特别的内置变量__name__。

理解__name__

• 当Python文件被直接运行时，Python解释器会将__name__变量设置为字符串'__main__'。
• 如果该文件是被其他文件导入（作为模块）的，则__name__变量将被设置为该模块的名字（即文件名，不包括.py扩展名）。