本文共 3511 字，大约阅读时间需要 11 分钟。

模型的训练过程

步骤1：导入必要的库和工具包 在项目开始之前，需要先准备好所有需要的工具包和库。以下是常用的工具包和库：

import numpy as np import torch import torch.nn as nn from torch.utils.data import DataLoader import torchvision.transforms as transforms import torch.optim as optim from matplotlib import pyplot as plt from major_utils import set_seed from major_config import * from major_dataset import LoadDataset

步骤2：参数设置 参数设置是模型训练的关键一步，确保所有超参数都被正确配置。常用的参数包括： MAX_EPOCH = major_config.num_epoch BATCH_SIZE = major_config.batchsize LR = major_config.learning_rate LOG_INTERVAL = 10 VAL_INTERVAL = 1

步骤3：数据预处理 数据预处理是保证模型训练效果的重要环节。训练集和验证集需要经过标准化处理。代码如下：

_train_transform = transforms.Compose([ transforms.Resize((32, 32)), transforms.ToTensor(), transforms.Normalize(mean=major_config.norm_mean, std=major_config.norm_std) ])

_valid_transform = transforms.Compose([ transforms.Resize((32, 32)), transforms.ToTensor(), transforms.Normalize(mean=major_config.norm_mean, std=major_config.norm_std) ])

使用这些预处理器对训练数据集和验证数据集进行初始化，避免数据尺寸的不一致。

_train_data = LoadDataset(data_dir=major_config.train_image, transform=_train_transform) _train_loader = DataLoader(dataset=_train_data, batch_size=BATCH_SIZE, shuffle=True)

valid_data = LoadDataset(data_dir=major_config.val_image, transform=_valid_transform) valid_loader = DataLoader(dataset=valid_data, batch_size=BATCH_SIZE)

步骤4：模型定义 为实现目标，选择合适的模型结构。以下是选择SE-ResNet50模型并初始化：

net = major_config.model

如果需要自定义模型结构，可在此处定义

net = se_resnet50(num_classes=5, pretrained=True)

步骤5：损失函数和优化器 选择合适的损失函数和优化器。通常，交叉熵损失函数和随机梯度下降（SGD）组合效果较好。

criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)

步骤6：模型训练 模型训练是核心环节，包含前向传播、后向传播和学习率调度。具体实现如下： 每个epoch分为两个阶段：训练阶段和验证阶段。

for epoch in range(MAX_EPOCH): net.train() running_loss = 0.0 correct = 0 total = 0 for i, data in enumerate(_train_loader): inputs, labels = data outputs = net(inputs) optimizer.zero_grad() loss = criterion(outputs, labels) loss.backward() optimizer.step() _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() running_loss += loss.item() train_curve.append(running_loss) if (i+1) % LOG_INTERVAL == 0: avg_loss = running_loss / LOG_INTERVAL print(f"Training: Epoch[{epoch+1:03d}/{MAX_EPOCH:03d}] Iteration[{i+1:03d}/{len(_train_loader):03d}] Loss: {avg_loss:.4f} Acc: {correct/total:.2%}") # 如果需要可视化，可以在此处添加日志记录 scheduler.step()

if (epoch+1) % VAL_INTERVAL == 0:
    net.eval()
    val_loss = 0.0
    val_correct = 0
    with torch.no_grad():
        for j, data in enumerate(valid_loader):
            inputs, labels = data
            outputs = net(inputs)
            loss = criterion(outputs, labels)
            _, predicted = torch.max(outputs.data, 1)
            val_loss += loss.item()
            val_correct += (predicted == labels).sum().item()
    avg_val_loss = val_loss / len(valid_loader)
    print(f"Valid: Epoch[{epoch+1:03d}/{MAX_EPOCH:03d}] Loss: {avg_val_loss:.4f} Acc: {val_correct/len(valid_data):.2%}")
    valid_curve.append(avg_val_loss)

步骤7：训练结果可视化 为了查看训练过程中的损失曲线和验证结果，可以将数据可视化：

train_x = range(len(train_curve)) train_y = train_curve train_iters = len(_train_loader)

valid_x = np.arange(1, len(valid_curve)+1) * train_iters / VAL_INTERVAL valid_y = valid_curve

plt.plot(train_x, train_y, label='Train') plt.plot(valid_x, valid_y, label='Valid') plt.legend(loc='upper right') plt.xlabel('Iteration') plt.ylabel('Loss Value') plt.show()

以上内容可以根据具体项目需求进行修改和调整，以实现更优的训练效果。