Pytorch(四)训练模型

1.在前三部分已经分别完成了数据的处理、神经网络的定义，还有优化器、损失函数的选择，这次我们将开始学习如何训练模型。

2.模型的训练其实也是套路，大致分为一下五个部分。

1）加载trainloader中的数据，并将其转换为Variable 形式的数据，作为神经网络的输入。

2）每次循环开始之前，确保梯度的值为0.   optimizer.zero_grad()

3）前向传播。也就是将数据feed进入网络net（）。 outputs=net(inputs)

4）反向传播。loss.backward()实现后传。        loss=criterion(outputs,labels)  loss.backward()

5）更新参数的值。optimizer.step()

每一次循环都重复这5步。

3.code实现  把之前的代码也融合进来了

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
import torch.nn.functional as F
import torch.optim as optim
from torch.utils.data import DataLoader
from torch.autograd import  Variable
import os
os.environ["CUDA_VISIBLE_DEVICES"]="2"
transform=transforms.Compose(
    [transforms.ToTensor(),transforms.Normalize((.5,.5,.5),(.5,.5,.5)