接PyTorch框架：（3）

1、最基本的方法

（1）使用模塊

模塊1：TensorDataset、模塊2：DataLoader

自己去構(gòu)造數(shù)據(jù)集，然后一個batch一個batch的取數(shù)據(jù)，自己去寫構(gòu)造數(shù)據(jù)太麻煩，可以自動讓其把數(shù)據(jù)源給我們構(gòu)建好，這兩個模塊就是來幫我們完成這個事的。

第一步把x_train和y_train傳進(jìn)去，使用TensorDataset自動的幫我們組件dataset即(train_ds)；

DataLoader是得搭配一下，先把數(shù)據(jù)轉(zhuǎn)化為TensorDataset所支持的格式，然后采用DataLoader讀進(jìn)來，DataLoader的意思就是你把數(shù)據(jù)交給我，然后你告訴我一個batch_size有多少，然后你要取數(shù)據(jù)的時候我就幫你一個batch一個batch的取數(shù)據(jù)，這樣方便一些。shuffle=True表示要不要重新洗牌；

?（2）定義一個get_data方法，需要傳進(jìn)來當(dāng)前的數(shù)據(jù)集，后邊做了一個return，就是按照一個Batch取數(shù)據(jù)就完事了；

?（3）訓(xùn)練函數(shù)

?自己定義一個訓(xùn)練方法，def fit方法，實際的去執(zhí)行訓(xùn)練的操作。傳進(jìn)來的參數(shù)：

steps：一共迭代多少次。

model：就是定義的model，就是自己寫個類，把model傳進(jìn)來。

loss_func：使用的f.中的損失。

opt：優(yōu)化器是什么。

train_dl：實際數(shù)據(jù)傳進(jìn)來。

valid_dl：實際數(shù)據(jù)傳進(jìn)來。

Batch Normalization和Dropout在訓(xùn)練的時候一般都會加這兩項，讓模型過擬合的更低；在測試的時候一般就不加這兩個東西了。所以為了有這兩個區(qū)分，如果此時是訓(xùn)練，那么在訓(xùn)練的時候加上model.train()；下邊不是訓(xùn)練就是走一次前向傳播，看一下對于當(dāng)前模型來說他的一個效果，他的損失等于多少，把損失拿過來，我也不需要進(jìn)行參數(shù)更新，不需要計算梯度，也不需要訓(xùn)練的過程，所以這一塊我再額外的指定一下，這塊不需要加Batch Normalization和Dropout，他不是一個訓(xùn)練的過程，所以在前邊加上model.eval()。

所以見到這兩個就是表示：model.train()強調(diào)的是你的訓(xùn)練過程，把該加的加進(jìn)去；model.eval()強調(diào)的是測試過程，只需要得到結(jié)果，不需要把沒用的都加進(jìn)去。

?loss_batch做的事情：如果你傳進(jìn)來一個優(yōu)化器，優(yōu)化器求梯度，求完梯度更新，更新完之后置0，然后返回結(jié)果。這里不光計算一個loss值還要去計算他實際的梯度值是多少，要進(jìn)行參數(shù)的更新。

上述相當(dāng)于把每個模塊都準(zhǔn)備好了，實際訓(xùn)練模型的時候不用把每個函數(shù)都也在一個sell當(dāng)中，下面三行就搞定了：

?第一步：拿到數(shù)據(jù)getdata。

第二步：拿到模型和優(yōu)化器。(模型就是自己的類Mnist_NN)

第三步：執(zhí)行fit函數(shù)。(fit函數(shù)的第三個參數(shù)表示損失函數(shù)是如何計算的，在損失函數(shù)計算當(dāng)中還加入了梯度的更新，第四個使用什么樣的優(yōu)化器去更新我當(dāng)前的結(jié)果)

2、復(fù)雜的方法

暫定

總結(jié)

以上是生活随笔為你收集整理的PyTorch框架：（4）如何去构建数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。