这是使用 Pytorch 训练和测试模型的正确方法吗？

大佬教程收集整理的这篇文章主要介绍了这是使用 Pytorch 训练和测试模型的正确方法吗？，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

如何解决这是使用 Pytorch 训练和测试模型的正确方法吗？？

我正在尝试使用 Pytorch 使用神经网络实现二元分类来训练模型，如下所示：

@H_303_5@model = nn.Sequential(
    bnn.bayeslinear(prior_mu=0,prior_sigma=0.1,in_features=196,out_features=300),nn.ReLU(),bnn.bayeslinear(prior_mu=0,in_features=300,out_features=196),)
cross_entropy_loss = nn.CrossEntropyLoss()
klloss = bnn.bKLLoss(reduction='mean',last_layer_only=falsE)
klweight = 0.01
optimizer = optim.Adam(model.parameters(),lr=0.01)

训练部分：

 #Training
    for step in range(200):
        models = model(data_tensor)
        cross_entropy = cross_entropy_loss(models,target_tensor)
        #cross_entropy = 0
        kl = klloss(model)
        @R_225_10586@l_cost = cross_entropy + klweight*kl
    
        optimizer.zero_grad()
        @R_225_10586@l_cost.BACkWARD()
        optimizer.step()
      
    _,preDicted = torch.max(models.data,1)
    final = target_tensor.size(0)
    correct = (preDicted == target_tensor).sum()
    print('- Accuracy: %f %%' % (100 * float(correct) / final))
    print('- CE : %2.2f,KL : %2.2f' % (cross_entropy.item(),kl.item()))

问题 1： 这是训练模型的正确方法吗？在很多文章中，我发现有一个部分可以遍历 DataLoader 以获取训练数据，例如：

for i,data in enumerate(Trainloader,0):
 # Get inputs
 inputs,targets = data

问题 2： 如果我可以直接将数据特征（输入）作为 data_tensor 和数据标签（目标）作为 target_tensor，这个循环有什么用？因为在遍历数据加载器时，需要更多时间。

我不知道如何测试我的模型。我做了如下：

correct = 0
@R_225_10586@l = 0
with torch.no_grad():
    for step in range(data_tensor_test.size(0)):
        models = model(data_tensor_test)
        _,1)
        @R_225_10586@l += target_tensor_test.size(0)
        correct += (preDicted == target_tensor_test).sum().item()

print('Accuracy of the test data: %d %%' % (
    100 * correct / @R_225_10586@l))

问题 3：测试我上面训练的模型是否正确？

解决方法

correct = 0
@R_225_10586@l = 0
with torch.no_grad():
    model.eval()
    for step,(dat,lab) in enumerate(dataloader_test):
        models = model(dat)
        _,preDicted = torch.max(models.data,1)
        @R_225_10586@l += dat.size(0)
        correct += (preDicted == lab).sum().item()

print('Accuracy of the test data: %d %%' % (
    100 * correct / @R_225_10586@l))