23、完整模型训练的步骤

1、以CIFAR10为例子

'''以CIFAR10为例子训练完整的模型步骤'''
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader

'''1、准备数据'''
train_data=torchvision.datasets.CIFAR10(root='../../dataset/CIFAR10',train=True,transform=torchvision.transforms.ToTensor(),
                                        download=True)
test_data=torchvision.datasets.CIFAR10(root='../../dataset/CIFAR10',train=False,transform=torchvision.transforms.ToTensor(),
                                        download=True)
#查看数据集的大小
train_data_size=len(train_data)
test_data_size=len(test_data)
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))

'''2、利用 DataLoader 加载数据'''
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

'''3、搭建神经网络模型,习惯上会把模型单独放在一个文件，然后使用的时候进行引入'''
class class_net(nn.Module):
    def __init__(self):
        super().__init__()
        self.modle=nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5,stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4,out_features=64),
            nn.Linear(64,10)
        )

    def forward(self,x):
        x=self.modle(x)
        return x
#创建网络模型
tuidui=class_net()

'''4、创建损失函数'''
loss_fn=nn.CrossEntropyLoss()
'''5、创建优化器'''
#习惯把学习速率单独提出来,方便修改,两种写法
# learn_rate=0.01
learn_rate=1e-2     #1e-2=1*(10)^(-2)=1/100=0.01
optimizer=torch.optim.SGD(tuidui.parameters(),lr=learn_rate)

'''6、训练网络模型'''
#设置训练网络的一些参数

total_train_step=0  #记录训练的次数
total_test_step=0   #记录测试的次数
epoch=10    #训练的轮数
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=tuidui(imgs)
        loss=loss_fn(outputs,targets)

        #进行优化的第一步是梯度清零
        optimizer.zero_grad()
        #利用损失来求每一个参数节点的梯度
        loss.backward()
        #进行优化
        optimizer.step()
        #更新训练次数
        total_train_step+=1
        print('训练次数：{}，loss：{}'.format(total_train_step,loss.item()))
        #loss.item(),使用item会让tensor类型的数据直接变成数字，数值型

通常会把网络模型单独写成一个文件，然后使用的时候直接引入，但是这里我的在引入的时候一直报错。同目录下的导入报错。