本文共 3263 字，大约阅读时间需要 10 分钟。

if epoch % p['epoch_size'] == p['epoch_size'] - 1:    lr_ = utils.lr_poly(base_lr=p['lr'], iter_=epoch, max_iter=nEpochs, power=0.9)    print('(poly lr policy) learning rate: ', lr_)    optimizer = optim.SGD(net.parameters(), lr=lr_, momentum=p['momentum'], weight_decay=p['wd'])

epoch从0到99,每次到9,19,29,...也就是说每10次epoch就更改学习率见其应用到optim中,学习率的策略采用poly,其他策略可以在我的收藏里面查找

net.train() 进行模型的训练

inputs, labels = sample_batched['image'], sample_batched['label'] 这里的都是tensor,6x3x512x512和6x1x512x512,因为tensor不能求梯度,所以必须转化成Variable:  inputs, labels = Variable(inputs, requires_grad=True), Variable(labels),那为什么lables不需要求梯度也需要转化,原因在于lables参与了对inputs求梯度的运算,它必须也是一样的类型否则会报错.在这里对于Variable的学习可以参见官方文档

inputs, labels = inputs.cuda(), labels.cuda() 将数据放在gpu0号上面,到目前为止,模型和数据都放在gpu上面了

outputs = net.forward(inputs) 将数据传入模型里面

loss = criterion(outputs, labels, size_average=False, batch_average=True)＃计算loss，采用CrossEntropyLoss函数．

这个函数的定义如下，而且关于nn.CrossEntropyLoss可见

from dataloaders import utilscriterion = utils.cross_entropy2dimport torch.nn as nndef cross_entropy2d(logit, target, ignore_index=255, weight=None, size_average=True, batch_average=True):    n, c, h, w = logit.size()    # logit = logit.permute(0, 2, 3, 1)    target = target.squeeze(1)    if weight is None:        criterion = nn.CrossEntropyLoss(weight=weight, ignore_index=ignore_index, size_average=False)    else:        criterion = nn.CrossEntropyLoss(weight=torch.from_numpy(np.array(weight)).float().cuda(), ignore_index=ignore_index, size_average=False)    loss = criterion(logit, target.long())    if size_average:        loss /= (h * w)    if batch_average:        loss /= n    return loss

下面接着主线代码

running_loss_tr += loss.item()　＃得到的是python的float类型的常数值，该数值不能求导

if ii % num_img_tr == (num_img_tr - 1):　＃num_img_tr＝１７６４＝train batch num                running_loss_tr = running_loss_tr / num_img_tr                writer.add_scalar('data/total_loss_epoch', running_loss_tr, epoch)                print('[Epoch: %d, numImages: %5d]' % (epoch, ii * p['trainBatch'] + inputs.data.shape[0]))                print('Loss: %f' % running_loss_tr)                running_loss_tr = 0                stop_time = timeit.default_timer()                print("Execution time: " + str(stop_time - start_time) + "\n")

上面这个判断在一定的条件下从主要输出端口打印出一些的参数信息．当历经一个ｅｐｏｃｈ也就是１７６４个ｂａｔｃｈ的时候（注意上面计数是从０开始的）打印输出第几代，该代的总图片数目；平均一个ｂａｔｃｈ的ｌｏｓｓ数值是多少；执行该代总共需要多少时间．同时保存数据：第几代，该代的平均一个ｂａｔｃｈ的ｌｏｓｓ数值是多少．这里的时间是以秒为单位的，但是习惯上我们喜欢时分秒的查看方式，所以可以将显示部分进行修改可以参考

# Backward the averaged gradient　in every batch            loss /= p['nAveGrad']            loss.backward()            aveGrad += 1

前面的到的loss是一个可以求导的tensor,一般情况下是直接loss.backward()反向传播的，但是这里采用了Average the gradient of several iterations，只不过p['nAveGrad']＝１．还有就是这个loss 是每一个ｂａｔｃｈ的loss．也就是，每经过一次ｂａｔｃｈ就会反向传导ｌｏｓｓ

# Update the weights once in p['nAveGrad'] forward passes            if aveGrad % p['nAveGrad'] == 0:                writer.add_scalar('data/total_loss_iter', loss.item(), ii + num_img_tr * epoch)                optimizer.step()                optimizer.zero_grad()                aveGrad = 0

上面这个也是核心代码．loss.backward()进行了求梯度运算得到梯度，optimizer.step()是进行模型参数的更新，更新完之后梯度要清空optimizer.zero_grad()，如此反复将模型进行优化．同时保存数据：第几次迭代，该迭代的ｌｏｓｓ数值是多少．注意这里的迭代不是ｅｐｏｃｈ而是ｂａｔｃｈ，一个ｂａｔｃｈ就是迭代一次．参数p['nAveGrad']的作用是用来控制迭代多少次就更新一次模型参数

转载地址：https://blog.csdn.net/zz2230633069/article/details/82885569 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！