系列文章目录

PyTorch深度学习——Anaconda和PyTorch安装

Pytorch深度学习-----数据模块Dataset类

Pytorch深度学习------TensorBoard的使用

Pytorch深度学习------Torchvision中Transforms的使用（ToTensor，Normalize，Resize ，Compose，RandomCrop）

Pytorch深度学习------torchvision中dataset数据集的使用（CIFAR10）

Pytorch深度学习-----DataLoader的用法

Pytorch深度学习-----神经网络的基本骨架-nn.Module的使用

Pytorch深度学习-----神经网络的卷积操作

Pytorch深度学习-----神经网络之卷积层用法详解

Pytorch深度学习-----神经网络之池化层用法详解及其最大池化的使用

Pytorch深度学习-----神经网络之非线性激活的使用(ReLu、Sigmoid)

Pytorch深度学习-----神经网络之线性层用法

Pytorch深度学习-----神经网络之Sequential的详细使用及实战详解

Pytorch深度学习-----损失函数（L1Loss、MSELoss、CrossEntropyLoss）

Pytorch深度学习-----优化器详解（SGD、Adam、RMSprop）

Pytorch深度学习-----现有网络模型的使用及修改（VGG16模型）

Pytorch深度学习-----神经网络模型的保存与加载(VGG16模型)

文章目录

系列文章目录一、完整神经网络训练一般步骤1.数据集加载步骤2.模型创建步骤3.损失函数和优化器定义步骤4.训练循环步骤5.测试循环步骤6.训练和测试过程的记录和输出步骤7.结束训练步骤 二、代码演示三、对上面代码进一步总结

一、完整神经网络训练一般步骤

1.数据集加载步骤

使用适当的库加载数据集，例如torchvision、TensorFlow的tf.data等。将数据集分为训练集和测试集，并进行必要的预处理，如归一化、数据增强等。

2.模型创建步骤

创建机器学习模型，可以是深度神经网络、传统机器学习模型或其它模型类型。定义模型架构，包括输入层、隐藏层和输出层的结构、激活函数、损失函数等。

3.损失函数和优化器定义步骤

定义适当的损失函数来计算模型预测结果于真实标签之间的差异。选择适当的优化器算法来更新模型参数，如随机梯度下降（SGD）、Adam等。

4.训练循环步骤

从训练集中获取一批样本数据，并将其输入模型进行前向传播。计算损失函数，并根据损失函数进行反向传播和参数更新。重复以上步骤，直到达到预定的训练次数或达到收敛条件。

5.测试循环步骤

从测试集中获取一批样本数据，并将其输入模型进行前向传播。计算损失函数或评估指标，用于评估模型在测试集上的性能。

6.训练和测试过程的记录和输出步骤

使用适当的工具或库记录训练过程中的损失值、准确率、评估指标等。可以使用TensorBoard、matplotlib、CSV文件等方式记录和可视化训练和测试结果。

7.结束训练步骤

根据训练结束条件、例如达到预定的训练次数或收敛条件，结束训练。可以保存模型参数或整个模型，以便日后部署和使用。

二、代码演示

创建model.py代码如下

import torchfrom torch import nn# 搭建神经网络class Lgl(nn.Module):def __init__(self):super(Lgl, self).__init__()self.model = nn.Sequential(nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),nn.MaxPool2d(kernel_size=2),nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),nn.MaxPool2d(kernel_size=2),nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),nn.MaxPool2d(kernel_size=2),nn.Flatten(),nn.Linear(in_features=64*4*4, out_features=64),nn.Linear(in_features=64, out_features=10))def forward(self, x):x = self.model(x)return x

上述模型的原图如下所示

trains.py文件开始对模型按步骤进行训练代码如下

import torchimport torchvisionfrom torch import nnfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriter# 加载自己搭建的神经网络from model import *"""1.数据集加载"""# 准备训练数据集train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)# 准备测试数据集test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 训练数据集的长度train_data_sise = len(train_data)print("训练数据集的长度为：{}".format(train_data_sise))# 测试数据集的长度test_data_sise = len(test_data)print("测试数据集的长度：".format(test_data_sise))# 加载数据集train_dataloader = DataLoader(test_data, batch_size=64)test_dataloader = DataLoader(test_data, batch_size=64)"""2.模型的创建，这里直接from model import * 故下面直接调用"""# 实例化网络模型lgl = Lgl()"""3.损失函数和优化器"""# 定义交叉熵损失函数loss_fn = nn.CrossEntropyLoss()# 进行优化器learning_rate = 1e-2optimizer = torch.optim.SGD(lgl.parameters(), lr=learning_rate)"""4.训练循环步骤4.1 为训练做的参数准备工作"""# 开始设置训练神经网络的一些参数# 记录训练的次数total_train_step = 0# 记录测试的次数total_test_step = 0# 记录是第几轮训练epoch = 10# 添加Tensorboardwriter = SummaryWriter("logs")for i in range(epoch):print("----第{}轮训练开始----".format(i))"""4.2 训练循环"""# 训练步骤for data in train_dataloader:imgs, targets = dataoutputs = lgl(imgs)loos_result = loss_fn(outputs, targets)# 优化器优化模型# 将上一轮的梯度清零optimizer.zero_grad()# 借助梯度进行反向传播loos_result.backward()optimizer.step()total_train_step = total_train_step + 1if total_train_step % 100 == 0:print("训练次数：{}， loss:{}".format(total_train_step, loos_result.item()))writer.add_scalar("train_loos", loos_result.item(), total_train_step)"""5.测试循环"""# 测试步骤开始total_test_loos = 0with torch.no_grad():for imgs, targets in test_dataloader:outputs = lgl(imgs)loos_result = loss_fn(outputs, targets)total_test_loos = total_test_loos + loos_result.item()"""6.测试过程的记录和输出"""print("整体测试集上损失函数loos：{}".format(total_test_loos))writer.add_scalar("test_loos", total_test_loos, total_test_step)total_test_step = total_test_step + 1torch.save(lgl, "test_{}.pth".format(i))print("模型已保存")"""7.结束训练步骤"""writer.close()

运行结果

训练数据集的长度为：50000测试数据集的长度：----第0轮训练开始----训练次数：100， loss:2.2938857078552246整体测试集上损失函数loos：359.07741928100586模型已保存----第1轮训练开始----训练次数：200， loss:2.2591800689697266训练次数：300， loss:2.263899087905884整体测试集上损失函数loos：351.34613394737244模型已保存----第2轮训练开始----训练次数：400， loss:2.175294876098633整体测试集上损失函数loos：340.2291133403778模型已保存----第3轮训练开始----训练次数：500， loss:2.096158981323242训练次数：600， loss:1.9759657382965088整体测试集上损失函数loos：344.9259159064模型已保存----第4轮训练开始----训练次数：700， loss:2.043778896331787整体测试集上损失函数loos：333.33667516708374模型已保存----第5轮训练开始----训练次数：800， loss:1.9719760417938232训练次数：900， loss:1.8361881971359253整体测试集上损失函数loos：318.2255847454071模型已保存----第6轮训练开始----训练次数：1000， loss:1.832183599472046整体测试集上损失函数loos：303.4973853826523模型已保存----第7轮训练开始----训练次数：1100， loss:1.8691924810409546训练次数：1200， loss:2.0134520530700684整体测试集上损失函数loos：292.21254682540894模型已保存----第8轮训练开始----训练次数：1300， loss:1.7631018161773682训练次数：1400， loss:1.6039265394210815整体测试集上损失函数loos：283.98761427402496模型已保存----第9轮训练开始----训练次数：1500， loss:1.7172112464904785整体测试集上损失函数loos：276.9621036052704模型已保存

tensorboard中显示

三、对上面代码进一步总结

数据集加载步骤：

使用torchvision库加载CIFAR10数据集。

将训练集和测试集分别存放在train_data和test_data中。

模型创建步骤：

引用model.py文件，在其中创建名为"Lgl"的模型。

损失函数和优化器定义步骤：

定义损失函数为交叉熵损失（nn.CrossEntropyLoss）。

定义优化器为随机梯度下降（SGD）优化器，并将模型参数传递给优化器。

训练循环步骤：

从训练数据（train_dataloader）中迭代获取一个批次的图像和目标标签。

执行模型的前向传播，计算损失，执行反向传播，更新模型参数。

记录训练过程中的损失值。

每100个训练步骤后，打印当前的训练次数和损失值。

测试循环步骤：

使用torch.no_grad()上下文环境。

从测试数据（test_dataloader）中迭代获取一个批次的图像和目标标签。

执行模型的前向传播和损失计算，并累加测试集上的损失值。

损失记录和输出步骤：

使用SummaryWriter创建一个TensorBoard的日志写入器。

将训练过程中的损失值写入TensorBoard文件中。

在整个测试集上打印损失值。

结束训练步骤：

关闭TensorBoard写入器。