pytorch训练代码和测试代码

Pytorch是目前非常流行的深度学习框架之一。在使用Pytorch进行深度学习任务时，训练代码和测试代码是必不可少的部分。

Pytorch训练代码
在Pytorch中，训练代码的主要任务是定义模型、损失函数和优化器，并加载和处理数据集。以下是一个简单的Pytorch训练代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader

# 定义模型类
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3)
        self.conv2 = nn.Conv2d(32, 64, 3)
        self.fc1 = nn.Linear(64*5*5, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = x.view(-1, 64*5*5)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

# 定义损失函数和优化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 加载和处理数据集
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=True)

# 训练模型
for epoch in range(num_epochs):
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

# 保存模型
torch.save(model.state_dict(), 'model.pth')

在上面的代码中，我们首先定义了一个模型类`Net`。然后我们创建了一个模型实例`model`、损失函数`criterion`和优化器`optimizer`。接下来，我们加载和处理了训练和测试数据集，并使用`DataLoader`将其封装成可迭代对象。最后，我们进行了训练并保存了模型。

Pytorch测试代码
测试代码的任务是加载模型和测试数据，并评估模型的性能。以下是一个简单的Pytorch测试代码示例：

# 加载模型
model = Net()
model.load_state_dict(torch.load('model.pth'))

# 加载测试数据
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=True)

# 测试模型
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        output = model(data)
        test_loss += F.nll_loss(output, target, reduction='sum').item()
        pred = output.argmax(dim=1, keepdim=True)
        correct += pred.eq(target.view_as(pred)).sum().item()

test_loss /= len(test_loader.dataset)
accuracy = 100. * correct / len(test_loader.dataset)

print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
    test_loss, correct, len(test_loader.dataset),
    accuracy))

在上面的代码中，我们首先加载了模型并使用`model.load_state_dict()`方法加载了模型参数。然后，我们加载了测试数据，并使用`test_loader`进行了测试。最后，我们计算了测试的平均损失和准确率，并将结果打印在屏幕上。