PyTorch 6：完整训练与测试 | NeBIGR's Blog

访问作者github： https://github.com/NefelibataBIGR/PyTorch_Notes ，获取笔记代码

八、==完整的模型训练套路==

具体代码见Python>pytorch文件中的 ==whole_training.ipynb== 文件

1. 准备数据集
   • 检查数据
2. 用DataLoader加载数据集
3. 搭建神经网络
   • 一般在model.py里面搭建，然后训练时在train.py里面运行：from model import *
4. 检查神经网络
   • 实例化模型
   • 测试参数
5. 设置损失函数、优化器
   • 设置损失函数
   • 设置优化器
6. 设置一些参数
   • 训练 / 测试次数
   • 训练轮数
7. 训练、测试
   • 训练得到输出
   • 得到损失函数
   • 优化器优化模型参数
   • 测试
   • 将训练和验证都写入日志（Tensorboard），画损失函数图
   • 保存每一轮训练的模型
8. 准确率评估

九、==利用GPU训练==

具体代码见Python>pytorch文件中的 ==whole_training.ipynb== 文件

• 能用GPU加速的部分：

  • 网络模型
  • 损失函数
  • 数据、标签值

• 方法1：

if torch.cuda.is_available():
    xxx = xxx.cuda()

xxx可以是实例化的模型、损失函数、数据、标签值

• 方法2：（更常用）

# 定义训练的设备，'cpu'、'cuda:0'、'cuda:1'……（单显卡'cuda'等价于'cuda:0'）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
xxx = xxx.to(device)

xxx可以是实例化的模型、损失函数、数据、标签值

十、完整的模型测试套路

具体代码见Python>pytorch文件中的 ==whole_eval.ipynb== 文件

• 利用已经训练好的模型，提供输入，进行测试、实际预测
• 注意：
  • 输入数据的形状
  • 模型训练时是否采用GPU，如果是，测试也需要GPU

#深度学习 #python #pytorch