Pytorch深度学习-完整的模型训练套路（小土堆）

• 训练基础步骤

import torch  
import torchvision.datasets  
from torch.utils.data import DataLoader  
from torch.utils.tensorboard import SummaryWriter  
  
from model import *  
  
  
#准备训练数据集  
train_data = torchvision.datasets.CIFAR10(root="./data",train=True,transform=torchvision.transforms.ToTensor(),download=True)  
  
#准备测试数据集  
test_data = torchvision.datasets.CIFAR10(root="./data",train=False,transform=torchvision.transforms.ToTensor(),download=True)  
  
#获取数据集长度  
train_data_size = len(train_data)  
test_data_size = len(test_data)  
  
#输出长度：格式化字符串  
print("训练集长度：{}".format(train_data_size))#50000  
print("测试集长度：{}".format(test_data_size))#10000  
  
#加载数据集  
train_dataLoader = DataLoader(train_data,batch_size=64)  
test_dataLoader = DataLoader(test_data,batch_size=64)  
  
#加载神经网络  
test = seq()  
  
#损失函数  
loss_fun = nn.CrossEntropyLoss()  
  
#优化器  
optimizer = torch.optim.SGD(test.parameters(),lr = 0.01)  
  
#设置训练网络的一些参数  
#记录训练次数  
total_train_step = 0  
#记录测试次数  
total_test_step = 0  
#训练的轮数  
epoch = 10  
  
#添加tensorboard  
writer = SummaryWriter("logs_train")  
  
for i in range(epoch):  
    print("----------第{}轮训练开始----------".format(i+1))  
    #训练  
    for data in train_dataLoader:  
        imgs , target = data  
        #返回训练结果  
        outputs = test(imgs)  
        #测试训练结果与真实值的误差  
        loss = loss_fun(outputs,target)  
  
        #优化  
        #梯度清零  
        optimizer.zero_grad()  
        #获得损失反向传播  
        loss.backward()  
        #调入优化器  
        optimizer.step()  
        total_train_step += 1  
        if total_train_step % 100 == 0:  
            print("训练次数:{}，loss为:{}".format(total_train_step,loss))  
            #记录  
            writer.add_scalar("train_loss",loss.item(),total_train_step)  
  
  
    #进行测试，看模型是否测试完成  
    total_test_loss = 0  
    #计算正确率  
    total_accuracy = 0  
    #没有梯度，也就是不需要在调优，因为是对现有训练模型是否达标进行测试  
    with torch.no_grad():  
        for data in test_dataLoader:  
            imgs,targets = data  
            #查看输出结果  
            outputs = test(imgs)  
            #获取测试集训练结果与真实值的误差  
            loss = loss_fun(outputs,targets)  
            total_test_loss += loss.item()  
            #横向比较  
            accuracy = (outputs.argmax(1) == targets).sum()  
    print("整体测试集上的Loss:{}".format(total_test_loss))  
    print("整体测试集上的正确率:{}".format(accuracy/test_data_size))  
    writer.add_scalar("test_loss",total_test_loss,total_test_step)  
    total_test_loss += 1  
  
    #保存模型  
    torch.save(test,"test_{},pth".format(i))  
    print("模型已经保存好")  
  
writer.close()