机器学习模型训练步骤

数据

• 数据收集： 收集原始样本和标签，如Img和Label。
• 数据划分： 划分成训练集train，用来训练模型；验证集valid，验证模型是否过拟合，挑选还没有过拟合的时候的模型；测试集test，测试挑选出来的模型的性能。
• 数据读取： PyTorch中数据读取的核心是Dataloader。Dataloader分为Sampler和DataSet两个子模块。Sampler的功能是生成索引，即样本序号；DataSet的功能是根据索引读取样本和标签。
• 数据预处理： 数据的中心和，标准化，旋转，翻转等，在PyTorch中是通过transforms实现的。

选择模型

根据任务的难易程度选择简单的线性模型或者复杂的神经网络模型。

损失函数

根据不同的任务选择不同的损失函数，比如线性回归中选择均方差损失函数，分类选择交叉熵。

优化器

有了loss就可以求取梯度，得到梯度，用优化器更新权值。

迭代训练

反复训练的过程