24、检查所训练的模型是否训练好，是否达到预期目标

1、其实在没训练完 一轮 之后，可以对它进行一个测试，在测试数据集上跑一遍

以测试集上的损失或者正确率来评估模型是否训练好

2、在测试的过程中不需要进行调优，所以可以用 with torch.no_grad():

        #测试步骤：
        total_test_loss=0   #记录总的损失差
        with torch.no_grad():
            for data in test_dataloader:
                imgs,targets=data
                outputs=tuidui(imgs)
                loss=loss_fn(outputs,targets)    #这个loss只是一条数据的，要求在测试集上的总的损失
                total_test_loss=total_test_loss+loss.item()
        print('整体的测试集上的loss：{}',format(total_test_loss))

3、对于打印要求的设置：

#可以进行打印设置：每训练100次，打印一次
        if total_test_step%100==0:
            print('训练次数：{}，loss：{}'.format(total_train_step,loss.item()))

4、使用tensorboard来进行可视化

'''添加tensorboard；把每一次的训练进行可视化'''
writer=SummaryWriter('logs')

for i in range(epoch):
    print('--------第{}轮训练开始----------'.format(i+1))
    #训练步骤开始
    for data in train_dataloader:
        imgs,targets=data
        outputs=tuidui(imgs)
        loss=loss_fn(outputs,targets)

        #进行优化的第一步是梯度清零
        optimizer.zero_grad()
        #利用损失来求每一个参数节点的梯度
        loss.backward()
        #进行优化
        optimizer.step()
        #更新训练次数
        total_train_step+=1
        #可以进行打印设置：每训练100次，打印一次
        if total_test_step%100==0:
            print('训练次数：{}，loss：{}'.format(total_train_step,loss.item()))
            #loss.item(),使用item会让tensor类型的数据直接变成数字，数值型

            writer.add_scalar('train_loss',loss.item(),total_train_step)

        #测试步骤：
        total_test_loss=0   #记录总的损失差
        with torch.no_grad():
            for data in test_dataloader:
                imgs,targets=data
                outputs=tuidui(imgs)
                loss=loss_fn(outputs,targets)    #这个loss只是一条数据的，要求在测试集上的总的损失
                total_test_loss=total_test_loss+loss.item()
        print('整体的测试集上的loss：{}',format(total_test_loss))
        writer.add_scalar('test_loss',total_test_loss,total_test_step)
        total_test_step=total_test_step+1
writer.close()

 5、测试模型的正确率

 模型中我们的输出output是概率值的形式，并不是标签的形式。

转换：

　　Argmax，它可以输出横向中概率值最大的那个的位置索引。转化完之后，再让模型输出的标签和真实图像的标签进行比较。如果全部相等则表明预测全部正确，如果个数不一致代表不相等。