Pytorch编写深度学习模型的基本思路

• 模型学习过程

四大步骤

输入处理模块

1. torch.utils.data.Dataset
   • 需要重写的方法
     • __init__(self)
     • __getitem__(self, index)
     • __len__(self)
2. torch.utils.data.Dataloader
   • 构造方法：Dataloader(dataset, batch_size = 1, shuffle = False)

模型构建模块

• 所有的模型需要继承torch.nn.Module
• 需要实现的方法：
  • __init__(self)
  • __forward__(self, x)：向前传播的过程，在实现模型时，无需考虑反向传播

定义代价函数和优化器模块

criterion = nn.MSELoss(reduction = 'mean')
optimizer =  torch.optim.SGD(model.parameters(), lr = 0.001, momentum=0.9)

构建训练过程

• 循环大致如下

  def train(epoch):    # 
      for i, data in enumerate(dataLoader, 0):
          x, y = data
          y_pred = model(x)  # 前向传播
          loss = criterion(y_pred, y)  # 计算代价函数
          optimizer.zero_grad()   # 梯度清零，进行下一步计算
          loss.backward()   # 反向传播
          optimizer.step()  # 更新训练参数