gan神经网络训练模型 神经网络模型如何训练

神经网络模型训练的一般步骤总结如下。

1、根据需要搭建神经网络模型，创建相应的class类，并将模型保存为model.py文件；
2、创建train.py文件，在train.py文件中执行下述第3-21步操作；
3、创建训练数据集和测试数据集：train_data、test_data；
4、分别求解训练数据集和测试数据集的长度：train_data_size    、test_data_size；
5、利用DataLoader加载训练数据集和测试数据集：train_dataloader、test_dataloader，同时设置batch_size;
6、创建网络模型类的实例test;
7、选择损失函数loss_fn；
8、选择优化器optimizer，设置学习率learning_rate；
9、记录训练的次数和测试的次数：total_train_step、total_test_step；
10、记录训练的轮次：epoch;
11、用循环开始一次epoch，每次epoch执行下列12-16步的训练步骤、17-20步的测试步骤、21步的模型保存；
12、开始训练步骤：循环读取训练数据集train_dataloader中的每一个数据；
13、调用test实例计算实际值；
14、调用损失函数loss_fn计算实际值与目标值之间的差距，也就是损失值loss;
15、用优化器优化模型：清零上一轮的梯度值zero_grad()、执行反向传播backward()、执行优化step()；
16、输出每一轮数据计算的损失值；
17、开始测试步骤：循环读取测试数据集test_dataloader中的每一个数据；
18、调用test实例计算实际值；
19、调用损失函数loss_fn计算实际值与目标值之间的差距，也就是损失值loss;
20、输出每一轮数据计算的损失值；
21、调用torch.save()保存每一轮epoch的训练模型。

# File : model.py
import torch
from torch import nn

# 搭建神经网络
class Jiaolong(nn.Module):
    def __init__(self) -> None:
        super().__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

# 主方法
if __name__ == '__main__':
    # 测试网络的正确性
    jiaolong = Jiaolong()
    input = torch.ones((64, 3, 32, 32))  # 64张图片
    output = jiaolong(input)
    print(output.shape)

# File : train.py
import torchvision
from torch.utils.tensorboard import SummaryWriter

from model import *
from torch.utils.data import DataLoader

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=True,
                                          transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=False,
                                          transform=torchvision.transforms.ToTensor(), download=True)
# length 长度，图片的数量
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))  # ctrl+d 复制
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
jiaolong = Jiaolong()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 1e-2  # 0.01
optimizer = torch.optim.SGD(jiaolong.parameters(), lr=learning_rate)  # 随机梯度下降，第一个参数为对哪个部分进行优化

# 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

# 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
    jiaolong.train()  # 看官网解释，此时可有可无 https://pytorch.org/docs/stable/generated/torch.nn.Module.html#torch.nn.Module
    for data in train_dataloader:
        imgs, targets = data
        outputs = jiaolong(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:
            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
    jiaolong.eval（)  # 看官网解释，此时可有可无
    total_test_loss = 0
    with torch.no_grad():  # 不会调优，在测试集上评估训练的模型
        for data in test_dataloader:
            imgs, targets = data
            outputs = jiaolong(imgs)
            loss = loss_fn(outputs, targets)  # 一部分数据集的 loss
            total_test_loss = total_test_loss + loss.item()

    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 = total_test_step + 1

    torch.save(jiaolong, 'jiaolong_{}'.format(i))
    print('模型已保存')

writer.close()