Pytorch：神经网络过程代码详解

---

一、基本概念

for epoch in range(total_epoch):
	for label_x,label_y in dataloader:
		pass
1
2
3

1、epoch

  epoch 指的是整个数据集在训练过程中被完整地遍历一次。如果数据集被分成多个批次输入模型，则一个 epoch 完成后意味着所有的批次已被模型处理一次。epoch 的数目通常根据训练数据的大小、模型复杂度和任务需求来决定。每个 epoch 结束后，模型学到的知识会更加深入，但也存在过度学习（过拟合）的风险，特别是当 epoch 数目过多时。
  即每一个epoch会处理所有的batch，epoch也被称为训练周期。

2、遍历DataLoader

  遍历DataLoader，实际上就是每次取出一个batch的数据。

二、神经网络训练过程代码详解

建议先理解：Module模块

步骤一：选择并初始化优化器

首先，根据模型的需求选择一个合适的优化器。不同的优化器可能适合不同类型的数据和网络架构。一旦选择了优化器，需要将模型的参数传递给它，并设置一些特定的参数，如学习率、权重衰减等。

import torch.optim as optim

# 假设 model 是你的网络模型
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
1
2
3
4

在这个例子中，选择了随机梯度下降（SGD）作为优化器，并设置了学习率和动量。

步骤二：计算损失

在训练循环中，每次迭代都会处理一批数据，模型会根据这些数据进行预测，并计算损失。

criterion = torch.nn.CrossEntropyLoss()  # 选择合适的损失函数
outputs = model(inputs)                 # 前向传播
loss = criterion(outputs, labels)       # 计算损失
1
2
3

步骤三：反向传播

一旦有了损失，就可以使用 .backward() 方法来自动计算模型中所有可训练参数的梯度。

loss.backward()
1

这一步将计算损失函数相对于每个参数的梯度，并将它们存储在各个参数的 .grad 属性中。

步骤四：更新模型参数

使用优化器的 .step() 方法来根据计算得到的梯度更新参数。

optimizer.step()
1

这个调用会更新模型的参数，具体的更新方式取决于你选择的优化算法。

步骤五：清空梯度

在每次迭代后，需要手动清空梯度，以便下一次迭代。如果不清空梯度，梯度会累积，导致不正确的参数更新。

optimizer.zero_grad()
1

组合到训练循环中

将上述步骤组合到一个训练循环中，我们得到了完整的训练过程：

model = MyModel() #实例化神经网络层，调用继承自Module类的MyModel类的构造函数
criterion = torch.nn.CrossEntropyLoss()  # 选择合适的损失函数，这里是交叉熵损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)# 定义优化器，传入模型参数
model.train()#切换至训练模式
for epoch in range(total_epochs):
    for inputs, labels in dataloader:  # 从数据加载器获取数据
        inputs, labels = inputs.to(device), labels.to(device)
        
        # 前向传播
        outputs = model(inputs)
        # 计算损失
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()  # 清空之前的梯度
        loss.backward()        # 反向传播
        # 优化参数
        optimizer.step()       # 更新参数
        
        print(f'Epoch [{epoch+1}/{total_epochs}], Loss: {loss.item()}')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

• loss.item()

  • 在 PyTorch 中，loss 是一个 torch.Tensor 对象。当计算模型的损失时，这个对象通常只包含一个元素（一个标量值），它代表了当前批次数据的损失值。loss.item() 方法是从包含单个元素的张量中提取出那个标量值作为 Python 数值。这是很有用的，因为它允许你将损失值脱离张量的形式进行进一步的处理或输出，比如打印、记录或做条件判断。

• print(f'Epoch [{epoch+1}/{total_epochs}], Loss: {loss.item()}')

  • 这行代码是用来在训练过程中输出当前 epoch 的编号和该 epoch 的损失值。这对于监控训练进程和调试模型非常有帮助。具体来说：
    • epoch+1：由于计数通常从 0 开始，所以 +1 是为了更自然地显示（从 1 开始而不是从 0 开始）。
    • {total_epochs}：这是训练过程中总的 epoch 数。
    • {loss.item()}：如前所述，这表示当前批次的损失值，作为一个标量数值输出。