深度学习案例教程 课件3.4.3 手写数字识别网络训练.pptx

实践任务3-手写数字识别网络训练模型训练为了方便后续使用模型，可以将训练过程写成一个函数，向该函数传入网络模型、损失函数、优化器等必要对象后，在MNIST数据集上进行训练并打印日志观察过程。

实践任务3-手写数字识别网络训练模型训练deftrain(epoches):

forepochinrange(epoches):

fori,datainenumerate(train_loader):

(images,labels)=data

images=images.reshape(-1,28*28)

output=model(images)

实践任务3-手写数字识别网络训练模型训练deftrain(epoches):

forepochinrange(epoches):

fori,datainenumerate(train_loader):

(images,labels)=data

images=images.reshape(-1,28*28)

output=model(images)

#前向传播，计算损失，方向传播，更新参数

loss=criterion(output,labels)

optimizer.zero_grad()

loss.backward()

optimizer.step()

实践任务3-手写数字识别网络训练模型训练deftrain(epoches):

forepochinrange(epoches):

fori,datainenumerate(train_loader):

(images,labels)=data

#得到输入和标签

#前向传播，计算损失，方向传播，更新参数

#打印日志

if(i+1)%100==0:

print(Epoch[{}/{}-{}],Loss:{:.4f}

.format(epoch+1,epoches,(i+1),loss.item()))

实践任务3-手写数字识别网络训练模型训练调用train(l)训练一轮的结果如下所示：Epoch[1/1-100],Loss:0.9250Epoch[1/1-200],Loss:0.7030Epoch[1/1-300],Loss:0.4063Epoch[1/1-400],Loss:0.3836Epoch[1/1-500],Loss:0.4059Epoch[1/1-600],Loss:0.4280Epoch[1/1-700],Loss:0.3695Epoch[1/1-800],Loss:0.3918Epoch[1/1-900],Loss:0.5331

实践任务3-手写数字识别网络训练模型训练模型训练的技巧：1.数据预处理2.超参数调整3.模型选择4.防止过拟合

实践任务3-手写数字识别网络训练模型训练模型训练的注意点：1.训练速度2.可视化训练过程3.模型保存和加载4.模型解释