pytorch 神经网络训练注意最后一批次输出的数据体量

最新推荐文章于 2024-11-27 21:07:30 发布

原创最新推荐文章于 2024-11-27 21:07:30 发布 · 484 阅读

0 ·

CC 4.0 BY-SA版权

pytorch 专栏收录该内容

98 篇文章

订阅专栏

本文介绍了一个使用PyTorch训练MNIST数据集的示例代码，演示了如何进行图像数据的预处理、模型的前向和后向传播过程，以及训练损失的打印。在每个epoch中，代码会调整权重并计算损失，每40步输出一次平均损失。

部署运行你感兴趣的模型镜像

#代码1部分

epochs = 3
print_every = 40
steps = 0
for e in range(epochs):
running_loss = 0
for images, labels in iter(trainloader):
steps += 1
# Flatten MNIST images into a 784 long vector
print("images.size()[0]=",images.size()[0])
images.resize_(images.size()[0], 784)

optimizer.zero_grad()

# Forward and backward passes
output = model.forward(images)
print("output.size()=",output.size())
loss = criterion(output, labels)
loss.backward()
optimizer.step()

running_loss += loss.item()

if steps % print_every == 0:
print("Epoch: {}/{}... ".format(e+1, epochs),
"Loss: {:.4f}".format(running_loss/print_every))

running_loss = 0

#result

output.size()= torch.Size([64, 10])
images.size()[0]= 64
output.size()= torch.Size([64, 10])
images.size()[0]= 64
output.size()= torch.Size([64, 10])
images.size()[0]= 64
output.size()= torch.Size([64, 10])
images.size()[0]= 64
output.size()= torch.Size([64, 10])
images.size()[0]= 64
output.size()= torch.Size([64, 10])
images.size()[0]= 32
output.size()= torch.Size([32, 10])

您可能感兴趣的与本文相关的镜像