---

一、基本概念

for epoch in range(total_epoch):for label_x,label_y in dataloader:pass

1、epoch

  epoch 指的是整个数据集在训练过程中被完整地遍历一次。如果数据集被分成多个批次输入模型，则一个 epoch 完成后意味着所有的批次已被模型处理一次。epoch 的数目通常根据训练数据的大小、模型复杂度和任务需求来决定。每个 epoch 结束后，模型学到的知识会更加深入，但也存在过度学习（过拟合）的风险，特别是当 epoch 数目过多时。
  即每一个epoch会处理所有的batch，epoch也被称为训练周期。

2、遍历DataLoader

  遍历DataLoader，实际上就是每次取出一个batch的数据。

二、神经网络训练过程代码详解

建议先理解：Module模块

步骤一：选择并初始化优化器

首先，根据模型的需求选择一个合适的优化器。不同的优化器可能适合不同类型的数据和网络架构。一旦选择了优化器，需要将模型的参数传递给它，并设置一些特定的参数，如学习率、权重衰减等。

import torch.optim as optim# 假设 model 是你的网络模型
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

在这个例子中，选择了随机梯度下降（SGD）作为优化器，并设置了学习率和动量。

步骤二：计算损失

在训练循环中，每次迭代都会处理一批数据，模型会根据这些数据进行预测，并计算损失。

criterion = torch.nn.CrossEntropyLoss()  # 选择合适的损失函数
outputs = model(inputs)                 # 前向传播
loss = criterion(outputs, labels)       # 计算损失

步骤三：反向传播

一旦有了损失，就可以使用 .backward() 方法来自动计算模型中所有可训练参数的梯度。

loss.backward()

这一步将计算损失函数相对于每个参数的梯度，并将它们存储在各个参数的 .grad 属性中。

步骤四：更新模型参数

使用优化器的 .step() 方法来根据计算得到的梯度更新参数。

optimizer.step()

这个调用会更新模型的参数，具体的更新方式取决于你选择的优化算法。

步骤五：清空梯度

在每次迭代后，需要手动清空梯度，以便下一次迭代。如果不清空梯度，梯度会累积，导致不正确的参数更新。

optimizer.zero_grad()

组合到训练循环中

将上述步骤组合到一个训练循环中，我们得到了完整的训练过程：

model = MyModel() #实例化神经网络层，调用继承自Module类的MyModel类的构造函数
criterion = torch.nn.CrossEntropyLoss()  # 选择合适的损失函数，这里是交叉熵损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)# 定义优化器，传入模型参数
model.train()#切换至训练模式
for epoch in range(total_epochs):for inputs, labels in dataloader:  # 从数据加载器获取数据inputs, labels = inputs.to(device), labels.to(device)# 前向传播outputs = model(inputs)# 计算损失loss = criterion(outputs, labels)# 反向传播和优化optimizer.zero_grad()  # 清空之前的梯度loss.backward()        # 反向传播# 优化参数optimizer.step()       # 更新参数print(f'Epoch [{epoch+1}/{total_epochs}], Loss: {loss.item()}')

• loss.item()

  • 在 PyTorch 中，loss 是一个 torch.Tensor 对象。当计算模型的损失时，这个对象通常只包含一个元素（一个标量值），它代表了当前批次数据的损失值。loss.item() 方法是从包含单个元素的张量中提取出那个标量值作为 Python 数值。这是很有用的，因为它允许你将损失值脱离张量的形式进行进一步的处理或输出，比如打印、记录或做条件判断。

• print(f'Epoch [{epoch+1}/{total_epochs}], Loss: {loss.item()}')

  • 这行代码是用来在训练过程中输出当前 epoch 的编号和该 epoch 的损失值。这对于监控训练进程和调试模型非常有帮助。具体来说：
    • epoch+1：由于计数通常从 0 开始，所以 +1 是为了更自然地显示（从 1 开始而不是从 0 开始）。
    • {total_epochs}：这是训练过程中总的 epoch 数。
    • {loss.item()}：如前所述，这表示当前批次的损失值，作为一个标量数值输出。

步骤六：保存模型

torch.save(model.state_dict(),"model.pth")

三、神经网络评估过程代码详解

步骤一：加载模型

实例化对应模型，使用该模型对象的.load_state_dict()方法导入之前存储的模型参数。

model=MyModel()
model.to(device)
model.load_state_dict(torch.load("model.pth"))

步骤二：切换至评估模式

model.eval()

步骤三：进行评估（这里计算分类问题的准确率）

• 定义评估时需要的变量
• 使用torch.no_grad()指定上下文Pytorch不追踪梯度信息

total_correct=0 #正确的样本数
total_samples=0 #样本数
with torch.no_grad():# 该局部化区域内的张量不再计算梯度for batch_x,batch_y in dataloader:batch_x.to(device)batch_y.to(device)batch_x = batch_x.to(torch.float) #转换成浮点output = model(batch_x) # 前向传播，得到分类结果 形状为[batch_size,num_classes]_,predicted = torch.max(output,dim=1)  # 不考虑dim=0的batch_size，从第一维开始考虑，沿着dim=1的方向寻找最大值，实际上就是找分类得分最高的分类,predicted接收的是max的索引，因此predicted的形状是[batch_size,1] 就是每一个样本的分类total_correct += (predicted == batch_y).sum().item()total_samples += predicted.size(dim=0)
accuracy=total_correct / total_samples
print(f"accuracy:{accuracy}")

_,predicted=tensor.max(output,dim=1)：

• output形状是[batch_size,classes_num]，沿着列求最大值， 得到列中的最大值索引，相当于得到的predicted的形状是[batch_size,1]，这里的1 的数值 是一行中 最大值的索引 也就是预测的类别。然后batch_y 的形状是[batch_size,1]和 predicted进行对比，就是对比类别是否相同。所以，我们在考虑问题的时候，由于batch_size的存在，第0维忽略掉考虑也行，然后就好理解了

四、经典数据集——鸢尾花数据集

代码来源

import torch
import torch.nn as nn
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoader# 此函数用于加载鸢尾花数据集
def load_data(shuffle=True):x = torch.tensor(load_iris().data)y = torch.tensor(load_iris().target)# 数据归一化x_min = torch.min(x, dim=0).valuesx_max = torch.max(x, dim=0).valuesx = (x - x_min) / (x_max - x_min)if shuffle:idx = torch.randperm(x.shape[0])x = x[idx]y = y[idx]return x, y# 自定义鸢尾花数据类
class IrisDataset(Dataset):def __init__(self, mode='train', num_train=120, num_dev=15):super(IrisDataset, self).__init__()x, y = load_data(shuffle=True)  # 将x转换为浮点型数据y = y.long()  # 将y转换为长整型数据# x, y = load_data(shuffle=True)if mode == 'train':self.x, self.y = x[:num_train], y[:num_train]elif mode == 'dev':self.x, self.y = x[num_train:num_train + num_dev], y[num_train:num_train + num_dev]else:self.x, self.y = x[num_train + num_dev:], y[num_train + num_dev:]def __getitem__(self, idx):return self.x[idx], self.y[idx]def __len__(self):return len(self.x)# 创建一个模型类来定义神经网络模型
class IrisModel(nn.Module):def __init__(self):super(IrisModel, self).__init__()self.fc = nn.Linear(4, 3)def forward(self, x):return self.fc(x)# 加载数据
batch_size = 16train_dataset = IrisDataset(mode='train')
dev_dataset = IrisDataset(mode='dev')
test_dataset = IrisDataset(mode='test')train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
dev_loader = DataLoader(dev_dataset, batch_size=batch_size)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)# 实例化神经网络模型
model = IrisModel()# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)# 训练模型
num_epochs = 20
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)for epoch in range(num_epochs):model.train()total_loss = 0for batch_x, batch_y in train_loader:batch_x, batch_y = batch_x.to(device), batch_y.to(device)batch_x = batch_x.to(torch.float)  # 使用float32数据类型# RuntimeError: mat1 and mat2 must have the same dtype, but got Double and Floatoptimizer.zero_grad()output = model(batch_x)loss = criterion(output, batch_y)loss.backward()optimizer.step()total_loss += loss.item()avg_loss = total_loss / len(train_loader)print(f"Epoch [{epoch + 1}/{num_epochs}], Train Loss: {avg_loss}")# 保存模型
torch.save(model.state_dict(), 'iris_model.pth')#%%
# 加载模型
model = IrisModel()  # 先实例化一个模型
model.to(device)
model.load_state_dict(torch.load('iris_model.pth'))# 评估模型
model.eval()
total_correct = 0
total_samples = 0with torch.no_grad():for batch_x, batch_y in test_loader:batch_x, batch_y = batch_x.to(device), batch_y.to(device)batch_x = batch_x.to(torch.float)  # 使用float32数据类型output = model(batch_x)_, predicted = torch.max(output, dim=1)total_correct += (predicted == batch_y).sum().item()total_samples += batch_y.size(0)accuracy = total_correct / total_samples
print(f"Test Accuracy: {accuracy}")

五、常用神经网络层计算原理

1、nn.Linear(input_features,output_features)

在 PyTorch 中，torch.nn.Linear 表示一个全连接层（也称作密集层或线性层）。这个层执行的基本运算是线性变换，将输入数据通过矩阵乘法和偏置加法转换到一个新的空间。 这是许多神经网络架构中最基本的组成部分之一。

a.基本概念和公式

全连接层的基本数学公式可以表示为：
$$\text{output}=\text{input}\cdot W^T+b$$
其中：

• input 是输入数据。
• W 是权重矩阵。使用.weight查看
• b 是偏置向量。使用.bias查看
• output 是层的输出。

b.详细解释

1. 权重矩阵（W）：在全连接层中，每个输入特征都通过权重与每个输出节点相连。权重矩阵的形状通常是 [out_features, in_features]，其中 in_features 是输入层的特征数，out_features 是输出层的特征数。这种结构确保了每个输入特征都通过权重影响每个输出特征。

2. 偏置（b）：偏置是一个向量，其长度等于输出特征的数量（out_features）。偏置向量在矩阵乘法后添加到每一个输出向量上，可以提供额外的灵活性，使模型能够更好地拟合数据。

3. 矩阵乘法：输入向量（或批量输入矩阵）与权重矩阵的转置进行矩阵乘法。这一步实现了从输入空间到输出空间的线性变换。

4. 加偏置：将偏置向量加到矩阵乘法的结果上，以完成从输入到输出的映射。

c.代码示例

假设我们有一个输入特征维度为 in_features=5，输出特征维度为 out_features=4 的全连接层，下面是如何在 PyTorch 中定义和使用这个层的示例：

import torch
import torch.nn as nnx = torch.randn(5,4,3,5)
y = torch.randn(5,4,5,3)
f = nn.Linear(5,4)
output_tensor = f(x)
print(output_tensor.shape)

输出：

torch.Size([5, 4, 3, 4])

在这个例子中，x 经过 f 后，得到了 output_tensor。全连接层的参数（权重和偏置）是在定义层时自动初始化的，并且在训练过程中通过反向传播算法进行优化。

d.原理解释

Linear线性层，实际上是对向量进行线性变换。对于一个张量形状为[a,b,c,d,e,f,g]，它的输入特征被认为是g，高维并不变化，通过输入特征长度为g的线性层之后。
比如

形状[3,5]
x1： 1 2 3 4 5
x2： 3 4 5 6 7
x3： 5 6 7 4 6

经过线性层：

nn.Linear(5,4) # 权重矩阵形状为[4,5]

改变形状为（我们这里不关注数值）：实际上就是矩阵[3,5]×[5,4]得到[3,4]

形状[3,4]
x1： 1 3 4 5
x2： 4 5 6 6
x3： 6 7 3 1

因此可以理解为，经过线性层实际上就是将向量改变其维度（进行线性变换），比如注意力机制使用的权重矩阵就是将输入$X$进行线性变换，使用一个Linear层就能做到。如果输入的维度更高，只不过是将向量分成了不同批次罢了，我们关注最后一维即可。 这和矩阵乘法是一样的，形状上只需要关注最后两维，更高维度只不过是把矩阵封装成不同批次罢了。