本文共 2935 字，大约阅读时间需要 9 分钟。

PyTorch基础教程：从数据到模型训练

PyTorch是一款强大的机器学习框架，支持深度学习模型的开发与训练。本节将介绍PyTorch中处理数据、构建模型、优化模型参数以及模型的保存与加载流程。

1. 数据处理

在PyTorch中，数据处理是机器学习模型的基础。PyTorch提供了torch.utils.data.DataLoader和torch.utils.data.Dataset两个核心工具。

• Dataset：用于存储样本数据及对应标签，例如对于FashionMNIST数据集，Dataset会包含每个训练样本的图像和对应的类别标签。
• DataLoader：将Dataset包装成一个可迭代的对象，支持批处理、随机采样和多进程加载。这里定义了一个批处理大小为64，每个批次将包含64个样本。

batch_size = 64
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)

2. 模型构建

在PyTorch中，模型通常由多个神经网络层组成。可以通过继承nn.Module类来定义模型。

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
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)
        )
    
    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

3. 模型优化

模型训练需要损失函数和优化器。

• 损失函数：用于衡量预测结果与真实标签之间的差异。常用的有交叉熵损失函数。
• 优化器：用于调整模型参数，SGD是常用的优化算法。

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

4. 训练过程

在训练循环中，模型会逐步优化参数以减少损失。

def train(dataloader, model, loss_fn, optimizer):
    model.train()
    size = len(dataloader.dataset)
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)
        pred = model(X)
        loss = loss_fn(pred, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        if batch % 100 == 0:
            print(f"loss: {loss.item():>7f}  [{batch*len(X):>5d}/{size:>5d}]")

5. 模型测试

训练结束后，需要在测试集上评估模型性能。

def test(dataloader, model, loss_fn):
    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).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= len(dataloader)
    correct /= len(dataloader.dataset)
    print(f"Test Error: Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f}")

6. 模型保存

将模型的状态字典保存为文件，便于后续加载和使用。

torch.save(model.state_dict(), "model.pth")
print("Saved PyTorch Model State to model.pth")

7. 模型加载

加载保存的模型状态字典，重新获得模型结构和参数。

model = NeuralNetwork()
model.load_state_dict(torch.load("model.pth"))
model.eval()

模型示例使用

classes = [
    "T-shirt/top",
    "Trouser",
    "Pullover",
    "Dress",
    "Coat",
    "Sandal",
    "Shirt",
    "Sneaker",
    "Bag",
    "Ankle boot"
]
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}"')

结果分析

训练过程中，训练损失逐渐降低，测试准确率逐步提升，表明模型正在有效学习数据特征。

转载地址：http://ywafk.baihongyu.com/