記錄一下Pytorch構(gòu)建的通用，簡(jiǎn)單的完整訓(xùn)練過程的代碼結(jié)構(gòu)。
假定你已經(jīng)知道了簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)原理。
在實(shí)際的項(xiàng)目中，需要按找需要在對(duì)應(yīng)模塊中增加功能。

目錄

1.必要的導(dǎo)入包

2.Dataset準(zhǔn)備

3.模型構(gòu)建

4.Train/test過程

5.調(diào)用訓(xùn)練好的模型

1.必要的導(dǎo)入包

import torch
from torch import nn  #構(gòu)建神經(jīng)網(wǎng)絡(luò)的包
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda, Compose

2.Dataset準(zhǔn)備
Pytorch中使用Dataset和Dataloader來處理模型數(shù)據(jù)。
Dataset是原始的訓(xùn)練數(shù)據(jù)在python中的對(duì)象。
Dataloader是針對(duì)于Datset的遍歷器，在訓(xùn)練過程中也負(fù)責(zé)提供每個(gè)Batch的數(shù)據(jù)。

本例中使用Pytorch自帶的FashionMNIST數(shù)據(jù)集，第一次運(yùn)行程序會(huì)自動(dòng)下載。

#對(duì)應(yīng)的包
from torch.utils.data import DataLoader
from torchvision import datasets   #以pytorch中 CV任務(wù)的自帶數(shù)據(jù)集為例

#構(gòu)建train和test 數(shù)據(jù)集的例子
training_data = datasets.FashionMNIST(
    root="data",
    train = True,
    download= True,
    transform=ToTensor(),
)

test_data = datasets.FashionMNIST(
    root="data",
    train = False,
    download= True,
    transform=ToTensor(),
)

#構(gòu)建兩個(gè)Dataloader用來讀取數(shù)據(jù)
batch_size=64
train_dataloader = DataLoader(training_data,batch_size=batch_size)
test_dataloader = DataLoader(test_data,batch_size=batch_size)

3.模型構(gòu)建
模型構(gòu)建一般構(gòu)建一個(gè)Class，定義好模型的各層以及相關(guān)參數(shù)，構(gòu)建Forward函數(shù)用來做前向傳播。

from torch import nn

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork,self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
            nn.ReLU()
        )

    def forward(self,x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

4.Train/test過程
一般也是程序的Main函數(shù)。一般要進(jìn)行：
設(shè)備的初始化，各類參數(shù)的初始化，訓(xùn)練模型的實(shí)例化，以及實(shí)際訓(xùn)練和測(cè)試過程的進(jìn)行。

from torch import nn
import torch

#設(shè)備的初始化
device = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device", format(device))

#模型實(shí)例化，lossfunction,優(yōu)化函數(shù)的定義，
model = NeuralNetwork().to(device)
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

#訓(xùn)練過程的函數(shù)定義
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    for batch, (X,y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        #compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        #back propagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch%100 == 0:
            loss, current = loss.item(), batch*len(X)
            print(f"loss:{loss:>7f} [{current:>5d}/{size:>5d}]")

#測(cè)試過程的函數(shù)的定義
def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss = loss_fn(pred, y)
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()

    test_loss /= num_batches
    correct /= size
    print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, avg loss: {test_loss:>8f} \n")

#主函數(shù)，定義訓(xùn)練的epoch，調(diào)用函數(shù)進(jìn)行訓(xùn)練和測(cè)試
epochs = 5
for t in range(epochs):
    train(train_dataloader,model,loss_fn,optimizer)
    test(test_dataloader, model, loss_fn)
    print(f"Epoch {t+1}\n")

#保存模型
torch.save(model.state_dict(), "model.pth")

5.調(diào)用訓(xùn)練好的模型

#加載訓(xùn)練好的模型
model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))

#預(yù)測(cè)標(biāo)簽
classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot",
]

#測(cè)試模式
model.eval()

#測(cè)試過程
X,y = test_data[0][0], test_data[0][1]
with torch.no_grad():
    pred = model(X)
    predicted, actual = classes[pred[0].argmax(0)], classes[y]
    print(f'Predicted: "{predicted}", Actual:"{actual}"')

以上部分代碼按照功能劃分，僅保留了最重要的部分，實(shí)際項(xiàng)目中的代碼必然更為復(fù)雜和詳細(xì)。
可以按照需要和功能，將不同的代碼塊放到不同的py文件中，使用時(shí)導(dǎo)入調(diào)用即可。