模型训练流程

模型训练流程

本文讲解深度学习模型训练的完整流程，从数据准备到最终测试，附带示意图与可运行代码。

---

1. 深度学习训练的总体流程

深度学习训练过程可以概括为：

数据准备 → 模型定义 → 损失函数 → 优化器 → 训练循环 → 验证 → 调参 → 测试

---

2. 训练流程步骤详解

---

Step 1：准备数据（DataLoader）

DataLoader 会将数据自动打包成 batch，并在训练中批量喂给模型。

---

Step 2：定义模型（Model）

如：CNN、YOLO、BERT 等。

---

Step 3：定义损失函数（Loss Function）

常用：

• 分类任务：CrossEntropyLoss
• 回归任务：MSELoss

---

Step 4：定义优化器（Optimizer）

常用：

• SGD
• Adam
• AdamW

---

Step 5：训练循环（Training Loop）

模型在这里不断：

1. 前向传播
2. 计算损失
3. 反向传播
4. 更新参数

---

PyTorch 标准训练代码（可直接用）

import torch
import torch.nn as nn
from torch.utils.data import DataLoader, TensorDataset

# ====================== 1. 数据准备 ======================
x = torch.randn(500, 10)
y = torch.randint(0, 2, (500,))
dataset = TensorDataset(x, y)
loader = DataLoader(dataset, batch_size=16, shuffle=True)

# ====================== 2. 定义模型 ======================
model = nn.Sequential(
    nn.Linear(10, 64),
    nn.ReLU(),
    nn.Linear(64, 2)
)

# ====================== 3. 损失函数 + 优化器 ======================
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

# ====================== 4. 训练流程 ======================
for epoch in range(10):
    total_loss = 0
    for batch_x, batch_y in loader:

        preds = model(batch_x)
        loss = loss_fn(preds, batch_y)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_loss += loss.item()

    print(f"Epoch {epoch+1}, Loss = {total_loss:.4f}")

print("训练完成！")

---

6. 验证与测试流程

训练完成后要使用：

• 验证集
• 测试集

代码示例：

model.eval()
correct = 0

with torch.no_grad():
    for batch_x, batch_y in loader:
        preds = model(batch_x)
        predicted = torch.argmax(preds, dim=1)
        correct += (predicted == batch_y).sum().item()

acc = correct / len(dataset)
print("准确率：", acc)

---

7. 总结

深度学习训练流程包含：

• 数据准备
• DataLoader
• 模型搭建
• 损失函数
• 优化器
• 训练循环
• 验证 & 测试

掌握这套流程后，你就能：

• 微调现有模型