Pytorch学习 day13（完整的模型训练步骤）

步骤一：定义神经网络结构

• 注意：由于一次batch_size的大小为64，表示一次放入64张图片，且Flatten()只会对单张图片的全部通道做拉直操作，也就是不会将batch_size合并，但是一张图片有3个通道，在Maxpool层之后，有64个通道，且每个通道的大小为4*4，所以Flatten()的输入为[64, 64, 4, 4]那么Flatten()的输出就为[64, 1024]， 1024 = 64 * 4 * 4
• 注意：通过ones()函数创建一个全1的tensor，作为输入数据，我们只需要指定输入数据的形状即可，我们可以通过ones()创建的简单输入，来检测网络的结构是否正确，()内写序列
• 代码如下：

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

class Tudui(nn.Module):
    def __init__(self):
        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),
            # 由于一次batch_size的大小为64，表示一次放入64张图片，且Flatten()只会对单张图片的全部通道做拉直操作，也就是不会将batch_size合并
            # 但是一张图片有3个通道，在Maxpool层之后，有64个通道，且每个通道的大小为4*4，所以Flatten()的输入为[64, 64, 4, 4]
            # 那么Flatten()的输出就为[64, 1024]， 1024 = 64 * 4 * 4
            nn.Flatten(),
            nn.Linear(1024, 64),
            nn.Linear(64, 10)
        )
    def forward(self, x):
        x = self.model(x)
        return x

if __name__ == '__main__':
    tudui = Tudui()
    # 通过ones()函数创建一个全1的tensor，作为输入数据，我们只需要指定输入数据的形状即可，
    # 我们可以通过ones()创建的简单输入，来检测网络的结构是否正确，()内写序列
    input = torch.ones((64, 3, 32, 32))
    output = tudui(input)
    print(output.shape)

步骤二：导入数据集，载入数据，创建网络模型，设置训练参数

• 注意：有些代码的模型结构在module.py文件夹内，需要我们手动导包后才能创建实例
• 注意： 先进行梯度清零，之后再反向传播、更新参数
• 注意：优化器实例 . 梯度清零，损失实例 . 反向传播，优化器实例 . 更新参数

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torchvision.transforms import transforms

from learn_pytorch.module import Tudui

train_dataset = torchvision.datasets.CIFAR10(root='Dataset', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = torchvision.datasets.CIFAR10(root='Dataset', train=False, transform=transforms.ToTensor(), download=True)

# 获得训练数据集和测试数据集的大小
train_dataset_size = len(train_dataset)
test_dataset_size = len(test_dataset)
print('训练数据集大小:', train_dataset_size)
print('测试数据集大小:', test_dataset_size)

# 加载训练数据集和测试数据集
train_loader = DataLoader(dataset=train_dataset, batch_size=64)
test_loader = DataLoader(dataset=test_dataset, batch_size=64)


# 创建网络模型
tudui = Tudui()
# 创建损失函数
loss_fn =