Machine learning 方法：然后在整个集合上进行训练，只有到那时，才能在另一集合上进行评估。在某些情况下，由于计算时间的原因，您甚至不允许自己每个历元计算一次。相反，您将评估每n个时代。但这又取决于您的数据集大小、从该数据集中采样、批量大小和计算成本

对于训练损失，您可以跟踪每个更新步骤与每个历元的值。这将使您能够更好地控制模型是否独立于验证阶段学习

---

编辑-作为不必为每个列车批次运行整个评估集的替代方法，您可以执行以下操作：洗牌验证并设置与列车集相同的批次大小

• len（列车组）//batch\u size

  是每个历元的更新次数

• len（validset）//batch_size

  是每个历元允许的求值次数
• 每个

  len（trainset）//len（validset）

  您可以在

  1

  批处理

这允许您获得每个历元的反馈次数

len（列车集）//len（有效集）

---

如果你将训练/有效比率设置为

0.1

，那么

len（validset）=0.1*len（trainset）

，这是每个历元的十个部分评估。

如果你能附加训练循环代码，它会更清晰。@Khalidaifullah添加了一些类似于我的代码。谢谢。很酷，我已经附上了一个答案，看看这是否有帮助。如果你能附上你的训练循环代码，它会更清晰。@Khalidaifullah添加了一些类似于我的代码。谢谢。很好，我已经附上了答案，看看是否有帮助。是的，我想是的。似乎没有别的办法。尝试这个，但会保持这个开放的情况下，有人有另一种方式。如果没有，我会在几天后选择这个答案。谢谢当然，我也想看看其他的方法。是的，我也这么认为。似乎没有别的办法。尝试这个，但会保持这个开放的情况下，有人有另一种方式。如果没有，我会在几天后选择这个答案。谢谢当然，我也想看看其他的方法。同意你所说的。这与超参数调优本身无关，正如您所提到的，我已经在使用epoch-wise-validation-loss来实现这一点。这是我试图对损失做的一个切点观察，通过训练样本/批次而不是整个时代，更好的做法是让损失的粒度更细一些。谢谢你的解释！明白了，我已经用另一种解决方案编辑了我的问题。同意你所说的。这与超参数调优本身无关，正如您所提到的，我已经在使用epoch-wise-validation-loss来实现这一点。这是我试图对损失做的一个切点观察，通过训练样本/批次而不是整个时代，更好的做法是让损失的粒度更细一些。谢谢你的解释！明白了，我已经用另一种解决方案编辑了我的问题。

running_loss = 0.0
for i, data in enumerate(trainloader, 0):
    # get the inputs; data is a list of [inputs, labels]
    inputs, labels = data

    # zero the parameter gradients
    optimizer.zero_grad()

    # forward + backward + optimize
    outputs = net(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

    # print statistics
    running_loss += loss.item()

with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
        # validation loss
        batch_loss = error(outputs.float(), labels.long()).item()
        loss_test += batch_loss
    loss_test /= len(testloader)