pytorch train.py与test.py代码流程

首先讲解train.py，包括以下步骤

1、配置训练集与测试集

train_data = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                          download=True)

root表示数据存放的位置；train是bool类型，表示是使用训练集的数据(True)还是测试集(False)的数据；download是bool类型，表示是(True)否(False)需要下载数据到root目录；transform用来实现对照片的处理函数。

其中root的写法有三种

       1、./是当前目录        说明train.py和dataset文件是同级目录

       2、../是父级目录       说明train.py是dataset文件的下级目录

       3、/是根目录

transform=torchvision.transforms.ToTensor()

这个函数能把一个取值范围是[0,255]的PIL.Image或者shape为(H,W,C)的numpy.ndarray，转传成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloatTensor,其中(H,W,C)意思是(高，宽，通道数)，黑白图片的通道数只有1，其中每个像素点的取值为[0,255]，彩色图片的通道数为(R,G,B),每个通道的像素点的取值为[0,255]，三个通道的颜色相互叠加，形成了各种颜色

2、设置训练集与数据集的长度  也就是有多少张图片

# 长度
train_data_size = len(train_data)
test_data_size = len(test_data)

# 字符串格式化，会将 format 中的变量替换{}部分
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(train_data_size))

3、Dataloader加载数据集

# 利用Dataloader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

Dataloader是使用pytorch框架进行数据加载时使用到的一个库。训练数据和测试数据均需通过DataLoader加载后方可被网络使用.数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化.

class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False,
     sampler=None, num_workers=0, collate_fn=, pin_memory=False, drop_last=False)
 ## dataset(Dataset): 加载数据的数据集
 ## batch_size(int, optional): 每个batch加载多少个样本数据（默认：1）。
 ## shuffle(bool, optional): 设置True时会在每个epoch重新打乱数据顺序（默认：False）。
 ## sampler(Sampler, optional): 定义从数据集中提取样本的策略。如果指定，则忽略shuffle参数。
 ## num_workers(int, optional): 加载数据的子进程数。0表示数据将在主进程中加载（默认：0）。
 ## collate_fn(callable, optional): 
 ## pin_memory(bool, optional):
 ## drop_last(bool, optional): 如果数据集大小不能被batch size整除，则设置为True后可删除最后一个不完整的batch。如果设为False并且数据集的大小不能被batch size整除，则最后一个batch将更小。(默认: False)。

4、创建网络模型

创建一个类用来搭建神经网络，具体可看这篇Pytorch搭建网络模型

5、损失函数

以上我们已经将CIFAR10的分类模型搭建好，但还需要进行训练后才能用来预测分类。训练模型时，会用损失函数来衡量模型的好坏，并利用反向传播来求梯度，然后利用优化器对模型参数进行梯度下降，多次循环往复以训练出最优的模型。

# 损失函数
# 创建交叉熵损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

6、优化器

#  优化器   1e-2=1*10^(-2)=1/100
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

7、设置训练网络的一些参数

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

8、添加tensorboard

# 添加tensorboard
writer = SummaryWriter("./logs_train")

9、训练一轮代码编写

for i in range(epoch):
    print("------第 {} 轮训练开始------".format(i+1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets=data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
             end_time = time.time()
             print(end_time - start_time)
             print("训练次数: {}, Loss: {}".format(total_train_step, loss.item()))
             writer.add_scalar("train_loss", loss.item(), total_train_step)



    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets=data
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1)==targets).sum()
            total_accuracy = total_accuracy + accuracy

    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(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

test.py与之类似