完整的模型训练套路（pytorch）_python训练模型

（联邦学习笔记，资料来源于b站小土堆）

训练模板

1、准备数据集

2、获取数据集长度，可以用来辅助计算精确度

3、加载数据集（DataLoader）

4、搭建网络模型（一般单独一个python文件）

5、创建网络模型（实例化）

6、定义损失函数、优化器

7、设置训练网络的一些参数（如训练次数、轮数等等）

8、模型训练

具体代码实现如下（简单示例）：

1、准备数据集

 
train_data = torchvision.datasets.CIFAR10("../data",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10("../data",train=False,transform=torchvision.transforms.ToTensor(),download=True)

2、获取数据集长度

 
#获取数据集长度，可以判断整体的测试精度
train_data_len = len(train_data)
test_data_len = len(test_data)
print("训练数据集长度：{}".format(test_data_len))
print("测试数据集长度:{}".format(train_data_len))

3、加载数据集（DataLoader）

#加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)

4、搭建网络模型（一般单独一个python文件）

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
 
 
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2d(3,32,5,1,2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32,32,5,1,2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32,64,5,1,2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024,64)
        self.linear2 = Linear(64,10)
 
    def forward(self,x):
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.conv3(x)
        x = self.maxpool3(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.linear2(x)
        return x
 
 

5、创建网络模型（实例化）

#创建模型
model = MyModel()

6、定义损失函数、优化器

#定义损失函数
loss_fn = nn.CrossEntropyLoss()
 
 
#定义优化器
#reaning_rate = 0.01
#1e-2 = 1 x (10)^(-2) = 1/100 = 0.01
reaning_rate = 1e-2
optimer = torch.optim.SGD(model.parameters(),lr=reaning_rate)

7、设置训练网络的一些参数（如训练次数、轮数等等）

#设置训练网络模型的一些参数
#记录训练的次数
total_train_step = 0
#记录测试的次数
total_test_step = 0
#训练的轮数
epoch = 10
 
#添加tensorboard来绘图
writer = SummaryWriter("../logs_train")

8、模型训练

 
#训练模型
for i in range(epoch):
    print("-------------第 {} 轮训练开始--------------".format(i+1))
 
    #训练开始
    for data in train_dataloader:
        imgs,targets = data
        outputs = model(imgs)
        loss = loss_fn(outputs,targets)
        #优化器优化模型
        #清空梯度
        optimer.zero_grad()
        #反向传播
        loss.backward()
        #更新梯度
        optimer.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)
 
    #测试步骤开始
    #在with里的代码没有梯度，不记梯度
    total_test_loss = 0
    #记录正确率
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets =data
            outputs = model(imgs)
            loss = loss_fn(outputs,targets)
            total_test_loss = total_test_loss + loss
            #outputs.argmax()可以判断输出和目标是否一致，sum()求和，可以知道总共正确的个数
            accuracy = (outputs.argmax(1) == targets).sum()
            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_len))
    writer.add_scalar("test_loss",total_test_loss.item(),total_test_step)
    writer.add_scalar("test_acc",total_accuracy/test_data_len,total_test_step)
    total_test_step = total_test_step + 1
 
    #保存模型
    #torch.save(model.state_dict(),"model_{}.pth".format(i))
    torch.save(model,"model_{}.pth".format(i))
    print("第 {} 轮模型已保存！".format(i+1))
 
writer.close()

完整代码：

模型单独一个py文件

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
 
 
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2d(3,32,5,1,2)
        self.maxpool1 = MaxPool2d(2)
        self.conv2 = Conv2d(32,32,5,1,2)
        self.maxpool2 = MaxPool2d(2)
        self.conv3 = Conv2d(32,64,5,1,2)
        self.maxpool3 = MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1 = Linear(1024,64)
        self.linear2 = Linear(64,10)
 
    def forward(self,x):
        x = self.conv1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.maxpool2(x)
        x = self.conv3(x)
        x = self.maxpool3(x)
        x = self.flatten(x)
        x = self.linear1(x)
        x = self.linear2(x)
        return x
 
 
 
#测试模型
 
if __name__=='__main__':
    mymodel = MyModel()
    #数据是64张图片，3通道，大小32x32
    inputs = torch.ones((64,3,32,32))
    outputs = mymodel(inputs)
    #outputs.shape=torch.Size([64,10])，返回的是64行数据，每行有10个数据，每个数据代表该图片属于该类（10个类别）的概率
    print(outputs.shape)

模型训练单独一个py文件：

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from model import *
from torch import nn
 
#准备数据集
 
 
train_data = torchvision.datasets.CIFAR10("../data",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10("../data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
 
#获取数据集长度，可以判断整体的测试精度
train_data_len = len(train_data)
test_data_len = len(test_data)
print("训练数据集长度：{}".format(test_data_len))
print("测试数据集长度:{}".format(train_data_len))
 
#加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)
 
#创建模型
model = MyModel()
 
#定义损失函数
loss_fn = nn.CrossEntropyLoss()
 
 
#定义优化器
#reaning_rate = 0.01
#1e-2 = 1 x (10)^(-2) = 1/100 = 0.01
reaning_rate = 1e-2
optimer = torch.optim.SGD(model.parameters(),lr=reaning_rate)
 
#设置训练网络模型的一些参数
#记录训练的次数
total_train_step = 0
#记录测试的次数
total_test_step = 0
#训练的轮数
epoch = 10
 
#添加tensorboard来绘图
writer = SummaryWriter("../logs_train")
 
#训练模型
for i in range(epoch):
    print("-------------第 {} 轮训练开始--------------".format(i+1))
 
    #训练开始
    for data in train_dataloader:
        imgs,targets = data
        outputs = model(imgs)
        loss = loss_fn(outputs,targets)
        #优化器优化模型
        #清空梯度
        optimer.zero_grad()
        #反向传播
        loss.backward()
        #更新梯度
        optimer.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)
 
    #测试步骤开始
    #在with里的代码没有梯度，不记梯度
    total_test_loss = 0
    #记录正确率
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets =data
            outputs = model(imgs)
            loss = loss_fn(outputs,targets)
            total_test_loss = total_test_loss + loss
            #outputs.argmax()可以判断输出和目标是否一致，sum()求和，可以知道总共正确的个数
            accuracy = (outputs.argmax(1) == targets).sum()
            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_len))
    writer.add_scalar("test_loss",total_test_loss.item(),total_test_step)
    writer.add_scalar("test_acc",total_accuracy/test_data_len,total_test_step)
    total_test_step = total_test_step + 1
 
    #保存模型
    #torch.save(model.state_dict(),"model_{}.pth".format(i))
    torch.save(model,"model_{}.pth".format(i))
    print("第 {} 轮模型已保存！".format(i+1))
 
writer.close()
 
 
 
 

（如有不同意见，欢迎留下评论，我见到了会第一时间回复）