完整的模型训练套路(一)

数据训练模型步骤：

1.准备数据集;

2.利用Dataloader来加载数据集

3.搭建神经网络（搭建神经网络可以单独设置一个.py文件，然后再引用）

4.创建网络模型

5.损失函数

6.优化器优化

7.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

代码如下：

首先创建一个model.py文件，里面存放第3步骤

自己所搭建的神经网络

#搭建神经网络
import torch
from torch import nn


class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.model=nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.Linear(64,10)

        )
    def forward(self,x):
        x=self.model(x)
        return x

再创建一个train.py文件，（ps：里面记得引用model.py）

代码如下：

import torch.optim
import torchvision
from model import  *
#准备数据集
from torch import nn
from torch.utils.data import DataLoader

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)

#length 长度
train_data_size=len(train_data)
test_data_size=len(test_data)
#如果train_data_size=10,训练数据集的长度为：10
print("训练数据集的长度为:{}".format(train_data_size))
print("训练测试集的长度为:{}".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

#创建网络模型
model=Model()

#损失函数
loss_fn=nn.CrossEntropyLoss()

#优化器优化
learning_rate=1e-2
optimizer=torch.optim.SGD(model.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
#记录测试的次数
total_test_step=0
#训练的轮数
epoch=10

for i in range(epoch):
    print("-------第{}轮训练开始------".format(i+1))
    #训练步骤开始
    for data in train_dataloader:
        imgs,targets=data
        outputs=model(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

        print("训练次数:{},损失函数:{}".format(total_train_step,loss))

运行结果：因为运行次数太长了 所以我就截取了部分截图

 

 分享自己的学习 ，大家共同进步