基于pytorch神经网络模型搭建训练流程

模型搭建
模型搭建步骤：

1.定义头文件

import torch as t
import torchvision as tv #数据处理，导入、预览
import torchvision.transforms as transforms #数据变换
from torch.autograd import Variable #梯度
import torch.nn as nn #实现神经网络相关功能的包
import torch.nn.functional as F
import torch.optim as optim #优化器

2.定义 dataloader

主要函数：
tv.datasets: 数据路径，是训练集还是测试集，是否需要下载，预处理

t.utils.data.Dataloader：导⼊数据，制定batch_size

tv.transform.Compose：数据预处理的操作集，如将数据转为T ensor格式，归⼀化等

主要需要加载训练集和测试集

3.定义⽹络（Net）

⽤⼀个名为Net的类定义 ，需要继承torch.nn中的nn.Module(注意M⼤写）
Net类包括初始化函数和forward函数两部分

1）初始化：init(self): 放置有可学习参数的层
a)对nn.Module初始化: super（Net, self）init()
b)定义卷积和全连接操作（⽤到nn.Conv2d(), nn.Linear()）
2)前向操作：forward(self， x)
输⼊x，按照⽹络前向传播步骤，调⽤初始化中定义的卷积和全连接操作，得到最后输出，并return x;

4.定义损失函数和优化器

损失函数评估结果与label间的差距，通过backward损失函数，可以计算出每个参数的梯度，然后通过优化器调整参数
损失函数nn中已定义好
优化器在optim中定义好，调⽤即可

5.训练⽹络（⽬的是得出最佳参数的⽹络）

1）获取训练数据和标签
2）数据输⼊⽹络，前向传播
3）⽹络输出和标签输⼊损失函数，求得损失
4）清零优化器
5）损失反向传播
6）更新优化器，更新参数
7）累加损失，信息打印，⽤于监测每个batch的平均损失，主要看损失有没有变⼩ .
训练好⽹络类后创建⼀个⽹络，即net=Net()