本文将为您介绍 PyTorch 的基本训练流程，包括数据加载、模型构建、损失函数选择和优化器配置等。

数据加载

在开始训练之前，我们需要加载数据。PyTorch 提供了多种数据加载方式，例如：

  • torch.utils.data.Dataset：自定义数据集
  • torch.utils.data.TensorDataset：张量数据集
  • torchvision.datasets：预定义数据集

以下是一个使用 torchvision.datasets 加载 CIFAR-10 数据集的示例：

import torchvision.datasets as datasets
import torchvision.transforms as transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

模型构建

在 PyTorch 中，我们可以使用 torch.nn.Module 类来定义自己的模型。以下是一个简单的卷积神经网络示例：

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

损失函数与优化器

在训练模型时，我们需要选择合适的损失函数和优化器。以下是一些常用的选项：

  • 损失函数：torch.nn.CrossEntropyLoss（交叉熵损失）、torch.nn.MSELoss（均方误差损失）
  • 优化器：torch.optim.SGD（随机梯度下降）、torch.optim.Adam（Adam 优化器）

以下是一个使用交叉熵损失和 Adam 优化器训练模型的示例：

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
            running_loss = 0.0

print('Finished Training')

扩展阅读

如果您想了解更多关于 PyTorch 的内容，可以访问以下链接：

希望这些信息能帮助您更好地了解 PyTorch 的训练流程！