模型训练与验证

1. 模型训练
   网络模型构建好后，需要利用训练数据不断进行学习训练来降低loss 提高模型性能 使得最后得到的结果误差尽可能小，尽可能满足需要
   一个成熟合格的深度学习训练流程要满足：
   （1）在训练集上进行训练并在验证集上进行验证
   （2）模型可以保留最优权重，并读取权重
   （3）记录下训练集和验证集的精度，便于调参

2. 构建验证集
   训练过程是容易出现过拟合的，也就是模型过多的学习了数据比较细枝末节的特征，而不是该类的特征，即不具备普遍性的特征，此时模型就会出现过拟合现象
   而在训练过程中要保证模型的改变不接触测试集数据，来防止对测试集数据出现过拟合现象。这时候就需要验证集来验证模型的精度

3. 一般情况下，可在本地划分出一个验证集，进行本地验证。训练集、验证集和测试集作用如下：
   训练集（Train Set）：模型用于训练和调整模型参数
   验证集（Validation Set）：用来验证模型精度和调整超参数
   测试集（Test Set）：验证模型的泛化能力
   因为训练集和验证集是分开的，所以模型在验证集上的精度在一定程度上可以反映模型的泛化能力。在划分验证集的时候，需要注意验证集的分布与测试集尽量保持一致，不然模型在验证集上的精度就失去了指导意义。

加载训练集

train_path = glob.glob(r'./dataset/mchar_train/*.png')
train_path.sort()
train_json = json.load(open('./dataset/mchar_train.json'))
train_lebel = [train_json[x]['label'] for x in train_json]
print(len(train_path),len(train_lebel))

train_loader = torch.utils.data.DataLoader(
    SVHNDataset(train_path,train_lebel,
               transforms.Compose([
                   transforms.Resize