记录训练过程

最新推荐文章于 2022-08-31 10:31:19 发布

橙子杉

最新推荐文章于 2022-08-31 10:31:19 发布

阅读量336

点赞数

CC 4.0 BY-SA版权

分类专栏： CV 文章标签： pytorch 深度学习神经网络

本文链接：https://blog.youkuaiyun.com/weixin_38907184/article/details/120561818

本文详细记录了使用PyTorch进行深度学习项目的过程中，神经网络的训练过程，包括模型构建、数据预处理、损失函数选择、优化器配置以及训练集和验证集上的性能表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

train_curve = list()
def train_net(net, device, data_path, epochs=100, batch_size=4, lr=0.01):
    # 加载训练集
    isbi_dataset = ISBI_Loader(data_path)
    train_loader = torch.utils.data.DataLoader(dataset=isbi_dataset,
                                               batch_size=batch_size, 
                                               shuffle=True)
    # 定义RMSprop算法
    optimizer = optim.RMSprop(net.parameters(), lr=lr, weight_decay=1e-8, momentum=0.9)
    # 定义Loss算法
    criterion = nn.BCEWithLogitsLoss()
    # best_loss统计，初始化为正无穷
    best_loss = float('inf')
    # 训练epochs次
    step = 0
    for epoch in range(epochs):
        print('Epoch {}/{}'.format(epoch, epochs))
        print('-' * 10)
        dt_size = len(train_loader.dataset)
        epoch_loss = 0

        # 训练模式
        net.train()
        # 按照batch_size开始训练
        for image, label in train_loader:
            step += 1
            # 将数据拷贝到device中
            image = image.to(device=device, dtype=torch.float32)