神经网络——完整的模型训练套路

采用CIFAR10数据集

步骤：

1. 准备数据集

2. 运用dataloader下载数据

3. 搭建神经网络

4. 创建损失函数

5. 创建优化器

6. 设置训练轮数

实例：

# 神经网络——完整的模型训练套路
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from model import *

# 准备数据集
train_data = torchvision.datasets.CIFAR10("../pytorch_learn/dataset2", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("../pytorch_learn/dataset2", train=False, transform=torchvision.transforms.ToTensor(),
                                          download=True)

# 数据集长度
train_data_size = len(train_data) #50000
test_data_size = len(test_data) #10000

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(test_data_size))

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

# 搭建神经网络（CIFAR10是一个10分类的类别）存在model文件中

# 创建网络模型
test = Test()

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 0.01
optimizer = torch.optim.SGD(params=test.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0.0
# 记录测试的次数
total_test_step = 0.0
# 记录训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("logs_train")

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

    # 训练步骤开始
    test.train()# 进入训练模式。（非必须）只对特定层起作用
    for data in train_dataloader:
        imgs, targets = data
        output = test(imgs)
        # 输出放入损失函数中
        loss = loss_fn(output, targets)
        # 梯度清零--》计算梯度--》优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            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 # 进入测试模式。（非必须）只对特定层起作用
    test.eval()
    total_test_loss = 0.0
    total_accuracy = 0.0
    with torch.no_grad(): # 不生成梯度
        for data in test_dataloader:
            imgs, targets = data
            output = test(imgs)
            # 比较输出和真是数据之间的误差
            loss = loss_fn(output, targets)
            total_test_loss = total_test_loss + loss.item()

            # 计算准确率
            accuracy = (output.argmax(1) == targets).sum() # 计算
            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

    # 保存模型
    torch.save(test, "test_{}.pth".format(i))
    print("第 {} 轮模型已保存".format(i + 1))
    
writer.close()