模型訓練驗證

損失函數和優化器

loss_function = nn.CrossEntropyLoss() # 損失函數
optimizer = Adam(model.parameters())  # 優化器，優化參數

模型優化

獲得模型所有的可訓練參數（比如每一層的權重、偏置），設置優化器類型，自動調整學習步長（自適應學習率），后續訓練更新參數。

# 雇傭Adam教練，讓他管理模型參數
optimizer = Adam(model.parameters(), lr=0.001)  # lr是初始學習率
# 1. optimizer.zero_grad()    # 清空上一輪的成績單
# 2. loss.backward()          # 計算每個參數要改進的方向（梯度）
# 3. optimizer.step()         # 參數調整

訓練函數

def train():loss = 0accuracy = 0model.train()for x, y in train_loader:  # 獲得每個batch數據x, y = x.to(device), y.to(device)output = model(x)        # 得到預測labeloptimizer.zero_grad()    # 梯度清零batch_loss = loss_function(output, y)  # 計算batch誤差batch_loss.backward()    # 計算誤差梯度optimizer.step()         # 調整模型參數loss += batch_loss.item()accuracy += get_batch_accuracy(output, y, train_N)print('Train - Loss: {:.4f} Accuracy: {:.4f}'.format(loss, accuracy))

驗證函數

def validate():loss = 0accuracy = 0model.eval() # 評估模式，關閉隨機性等增加穩定性with torch.no_grad(): # 禁用梯度，提高效率for x, y in valid_loader:x, y = x.to(device), y.to(device)output = model(x)  # 不用進行梯度計算、參數調整loss += loss_function(output, y).item()accuracy += get_batch_accuracy(output, y, valid_N)print('Valid - Loss: {:.4f} Accuracy: {:.4f}'.format(loss, accuracy))

模型保存

.pth 文件是PyTorch模型的“存檔文件”，保存了所有必要信息。加載后，模型即可直接運行，無需重新訓練！

# 保存整個模型（結構 + 參數）
torch.save(model, 'model.pth')

.pth 文件可以用https://netron.app/查看