模型训练三要素（模型训练步骤）

时间2025-06-20 01:52:21分类IT科技浏览4765

导读：1.在model.py搭建神经网络。 # 搭建神经网络 10分类网络。...

1.在model.py搭建神经网络。

# 搭建神经网络 10分类网络。 import torch from torch import nn class net(nn.Module): def __init__(self): super(net, self).__init__() self.model = nn.Sequential( # 卷积 nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2), # 最大池化 nn.MaxPool2d(kernel_size=2), # 卷积 nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2), # 最大池化 nn.MaxPool2d(kernel_size=2), # 卷积 nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2), # 最大池化 nn.MaxPool2d(kernel_size=2), # 展平 nn.Flatten(), # 线性层 nn.Linear(in_features=64 * 4 * 4, out_features=64), nn.Linear(in_features=64, out_features=10) ) def forward(self, x): return self.model(x)

2.验证搭建网络的正确性

if __name__ == __main__: # 测试网络的验证正确性 tudui = Tudui() input = torch.ones((64,3,32,32)) # batch_size=64（代表64张图片）,3通道，32x32 output = tudui(input) print(output.shape)

结果是

torch.Size([64,10])

返回64行数据，每一行10个数据，代表每一张图片的概率。

3.在train.py下

①准备数据集，一个训练数据集，一个测试数据集。因为CIFAR10数据集是PIL ，要转为tensor数据类型。

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)

②加载数据集。利用DataLoader加载数据集。

train_dataloader = DataLoader(dataset=train_data, batch_size=64) test_dataloader = DataLoader(dataset=test_data, batch_size=64)

③创建网络模型

from model import *

wang = net()

④创建损失函数

loss_fn = nn.CrossEntropyLoss()

⑤创建优化器

learning_rate = 0.01 optimizer = torch.optim.SGD(params=wang.parameters(), lr=learning_rate)

⑥设置网络训练参数

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

⑦开始训练

for i in range(epoch): print("----------第{}轮训练开始-----------".format(i+1)) # i从0-9 # 训练步骤开始 for data in train_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 优化器优化模型 optimizer.zero_grad() # 首先要梯度清零 loss.backward() # 反向传播得到每一个参数节点的梯度 optimizer.step() # 对参数进行优化 total_train_step += 1 print("训练次数：{},loss：{}".format(total_train_step,loss.item()))

【补充：】

import torch a = torch.tensor(5) print(a) print(a.item())

输出：

tensor(5)

5.【测试】：看模型是否训练好。

每次训练完进行一轮测试，看测试集的损失或者正确率评估模型是否训练好。

测试过程模型不需要调优，利用现有的模型测试。

with torch.no_grad():

6.在上述代码继续编写

# 测试步骤开始 total_test_loss = 0 with torch.no_grad(): # 无梯度，不进行调优 for data in test_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 该loss为部分数据在网络模型上的损失，为tensor数据类型 # 求整体测试数据集上的误差或正确率 total_test_loss = total_test_loss + loss.item() # loss为tensor数据类型，而total_test_loss为普通数字 print("整体测试集上的Loss：{}".format(total_test_loss))

7.跟TensorbBoard相结合

import torchvision.datasets from torch.utils.tensorboard import SummaryWriter from model import * from torch import nn from torch.utils.data import DataLoader # 准备数据集，CIFAR10 数据集是PIL Image，要转换为tensor数据类型 train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),download=True) test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),download=True) # 看一下训练数据集和测试数据集都有多少张（如何获得数据集的长度） train_data_size = len(train_data) # length 长度 test_data_size = len(test_data) # 如果train_data_size=10 ，那么打印出的字符串为：训练数据集的长度为：10 print("训练数据集的长度为：{}".format(train_data_size)) # 字符串格式化，把format中的变量替换{} 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) # 创建网络模型 tudui = Tudui() # 创建损失函数 loss_fn = nn.CrossEntropyLoss() # 分类问题可以用交叉熵 # 定义优化器 learning_rate = 0.01 # 另一写法：1e-2，即1x 10^(-2)=0.01 optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate) # SGD 随机梯度下降 # 设置训练网络的一些参数 total_train_step = 0 # 记录训练次数 total_test_step = 0 # 记录测试次数 epoch = 10 # 训练轮数 # 添加tensorboard writer = SummaryWriter("../logs_train") for i in range(epoch): print("----------第{}轮训练开始-----------".format(i+1)) # i从0-9 # 训练步骤开始 for data in train_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 优化器优化模型 optimizer.zero_grad() # 首先要梯度清零 loss.backward() # 反向传播得到每一个参数节点的梯度 optimizer.step() # 对参数进行优化 total_train_step += 1 if total_train_step % 100 ==0: # 逢百才打印记录 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 total_test_loss = 0 with torch.no_grad(): # 无梯度，不进行调优 for data in test_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 该loss为部分数据在网络模型上的损失，为tensor数据类型 # 求整体测试数据集上的误差或正确率 total_test_loss = total_test_loss + loss.item() # loss为tensor数据类型，而total_test_loss为普通数字 print("整体测试集上的Loss：{}".format(total_test_loss)) writer.add_scalar("test_loss",total_test_loss,total_test_step) total_test_step += 1 writer.close()

保存模型：

torch.save(tudui,"tudui_{}.pth".format(i)) # 每一轮保存一个结果 print("模型已保存") writer.close()

【代码优化，提升正确率】

# 求整体测试数据集上的误差或正确率 accuracy = (outputs.argmax(1) == targets).sum() # 1：横向比较，==：True或False ，sum：计算True或False个数 total_accuracy = total_accuracy + accuracy print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size)) # 正确率为预测对的个数除以测试集长度 writer.add_scalar("test_accuracy",total_test_loss,total_test_step,total_test_step)

【完整代码】

import torch import torchvision.datasets from torch.utils.tensorboard import SummaryWriter from model import * from torch import nn from torch.utils.data import DataLoader # 准备数据集，CIFAR10 数据集是PIL Image ，要转换为tensor数据类型 train_data = torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),download=True) test_data = torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),download=True) # 看一下训练数据集和测试数据集都有多少张（如何获得数据集的长度） train_data_size = len(train_data) # length 长度 test_data_size = len(test_data) # 如果train_data_size=10 ，那么打印出的字符串为：训练数据集的长度为：10 print("训练数据集的长度为：{}".format(train_data_size)) # 字符串格式化，把format中的变量替换{} 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) # 创建网络模型 tudui = Tudui() # 创建损失函数 loss_fn = nn.CrossEntropyLoss() # 分类问题可以用交叉熵 # 定义优化器 learning_rate = 0.01 # 另一写法：1e-2 ，即1x 10^(-2)=0.01 optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate) # SGD 随机梯度下降 # 设置训练网络的一些参数 total_train_step = 0 # 记录训练次数 total_test_step = 0 # 记录测试次数 epoch = 10 # 训练轮数 # 添加tensorboard writer = SummaryWriter("../logs_train") for i in range(epoch): print("----------第{}轮训练开始-----------".format(i+1)) # i从0-9 # 训练步骤开始 for data in train_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 优化器优化模型 optimizer.zero_grad() # 首先要梯度清零 loss.backward() # 反向传播得到每一个参数节点的梯度 optimizer.step() # 对参数进行优化 total_train_step += 1 if total_train_step % 100 ==0: # 逢百才打印记录 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 total_test_loss = 0 total_accuracy = 0 with torch.no_grad(): # 无梯度，不进行调优 for data in test_dataloader: imgs,targets = data outputs = tudui(imgs) loss = loss_fn(outputs,targets) # 该loss为部分数据在网络模型上的损失，为tensor数据类型 # 求整体测试数据集上的误差或正确率 total_test_loss = total_test_loss + loss.item() # loss为tensor数据类型，而total_test_loss为普通数字 accuracy = (outputs.argmax(1) == targets).sum() # 1：横向比较，==：True或False，sum：计算True或False个数 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)) # 正确率为预测对的个数除以测试集长度 writer.add_scalar("test_loss",total_test_loss,total_test_step) writer.add_scalar("test_accuracy",total_test_loss,total_test_step,total_test_step) total_test_step += 1 torch.save(tudui,"tudui_{}.pth".format(i)) # 每一轮保存一个结果 print("模型已保存") writer.close()