Machine learning 这是使用Pytork训练和测试模型的正确方法吗？

我正在尝试使用Pytorch实现一个带有神经网络的二元分类，以训练一个模型，如下所示：

model=nn.Sequential(
bnn.贝叶斯线性（先验μ=0，先验σ=0.1，内特征=196，外特征=300），
nn.ReLU（），
bnn.贝叶斯线性（先验μ=0，先验σ=0.1，内特征=300，外特征=196），
)
交叉熵损失=nn.CrossEntropyLoss（）
klloss=bnn.BKLLoss（减少量=平均值），仅最后一层=假）
klweight=0.01
optimizer=optim.Adam（model.parameters（），lr=0.01）

培训部分：

培训 对于步进范围（200）： 模型=模型（数据张量） 交叉熵=交叉熵损失（模型，目标张量） #交叉熵=0 kl=kl损耗（型号） 总成本=交叉熵+kl权重*kl optimizer.zero_grad（） 总成本。向后（） optimizer.step（） _，预测=火炬最大值（模型数据，1） 最终=目标张量大小（0） 正确=（预测==目标_张量）.sum（） 打印（'-精度：%f%%'%（100*浮点（正确）/最终）） 打印（'-CE:%2.2f，KL:%2.2f'（cross_entropy.item（），KL.item（）） 问题1:这是训练模特的正确方法吗？在许多文章中，我发现有一部分可以迭代DataLoader以获取培训数据，例如：

对于i，枚举中的数据（火车装载机，0）：
#获取输入
输入，目标=数据

问题2:如果我可以直接将数据特征（输入）作为数据张量，将数据标签（目标）作为目标张量，那么这个循环有什么用？因为在遍历数据加载器时，需要花费更多的时间

我不知道如何测试我的模型。我做的如下：

correct=0
总数=0
使用手电筒。无梯度（）
对于步进范围（数据张量测试大小（0））：
模型=模型（数据张量测试）
_，预测=火炬最大值（模型数据，1）
总+=目标张量测试。大小（0）
正确+=（预测==目标张量测试）.sum（）.item（）
打印（'测试数据的准确性：%d%%'%(
100*正确/总计）

---

问题3:测试我上面训练的模型是否正确？

我将尝试回答您的问题：

问题1和问题2:

这是训练模特的正确方法吗？在许多文章中，我发现有一个部分可以迭代DataLoader以获取培训数据。

出于以下几个原因，在pytorch中进行培训时，应将数据集与数据加载器一起使用：

它允许我们随机抽取数据

它不会将数据预加载到内存中，这对于大型数据集特别有用

它在代码的后台运行，因此在训练的同时获取数据，从而节省时间

它在批处理数据方面非常有效

您在这里所做的似乎是同时在数据中的每个元素上运行您的模型。如果您的数据中只有32个点，这可能会很好（尽管由于数据有限，这并不是最优的），但在运行优化器和将模型暴露于学习机会之间需要取得平衡

我想这需要更长的时间，因为您的模型非常小，并且运行数据获取可能比在内存中预加载时需要更长的时间。如果不知道数据集的大小和处理的批量大小，很难回答这个问题

问题3:

测试我上面训练的模型是否正确？

在运行任何推理代码之前，需要使用

model.eval（）

将模型设置为其求值阶段。我也不明白for循环的意义，因为每次都要传递相同的数据。我通常会这样运行：

correct = 0
total = 0
with torch.no_grad():
    model.eval()
    for step,(dat,lab) in enumerate(dataloader_test):
        models = model(dat)
        _, predicted = torch.max(models.data, 1)
        total += dat.size(0)
        correct += (predicted == lab).sum().item()

print('Accuracy of the test data: %d %%' % (
    100 * correct / total))

---

我将尝试回答您的问题：

问题1和问题2:

这是训练模特的正确方法吗？在许多文章中，我发现有一个部分可以迭代DataLoader以获取培训数据。

出于以下几个原因，在pytorch中进行培训时，应将数据集与数据加载器一起使用：

它允许我们随机抽取数据

它不会将数据预加载到内存中，这对于大型数据集特别有用

它在代码的后台运行，因此在训练的同时获取数据，从而节省时间

它在批处理数据方面非常有效

您在这里所做的似乎是同时在数据中的每个元素上运行您的模型。如果您的数据中只有32个点，这可能会很好（尽管由于数据有限，这并不是最优的），但在运行优化器和将模型暴露于学习机会之间需要取得平衡

我想这需要更长的时间，因为您的模型非常小，并且运行数据获取可能比在内存中预加载时需要更长的时间。如果不知道数据集的大小和处理的批量大小，很难回答这个问题

问题3:

测试我上面训练的模型是否正确？

在运行任何推理代码之前，需要使用

model.eval（）

将模型设置为其求值阶段。我也不明白for循环的意义，因为每次都要传递相同的数据。我通常会这样运行：

correct = 0
total = 0
with torch.no_grad():
    model.eval()
    for step,(dat,lab) in enumerate(dataloader_test):
        models = model(dat)
        _, predicted = torch.max(models.data, 1)
        total += dat.size(0)
        correct += (predicted == lab).sum().item()

print('Accuracy of the test data: %d %%' % (
    100 * correct / total))