土堆学习笔记——P29完整的模型训练套路（三）

一些细节：

在训练前 有一个tudui.train()的作用：

如果网络里有dropout/batchnorm等层，就需要用到tudui.train()，也就是没有这些层的话，tudui.train()没用调用不调用都行
在测试前 有一个tudui.eval()的作用：

同上

整个训练逻辑：

1. 准备数据
2. dataloader加载数据集
3. 创建网络模型（看注释a）
4. 定义损失函数、优化器
5. 设置训练网络的一些参数，如训练的次数、测试的次数、训练的轮数等
6. （可选）添加tensorboard
7. 开始第一轮训练，每轮训练包括 { 从dataloader取数据for data in train_dataloader，优化器优化模型，输出提示信息等 }
8. 测试，最好要有with torch.no_grad(): { 可以自己定义一些指标，还有损失 }
9. 展示网络在数据集上的效果，保存模型为.pth或者.pt等 { 官方推荐的保存方法为，torch.save(tudui.state_dict(), "tudui_{}.pth".format(i))，这样可以以字典形式保存模型的参数，不保存别的，少占内存 }

注释a： 创建网络模型为tudui = Tudui()，至于class Tudui，可以在另一个.py文件中，之后使用from在头文件那里引进来