本文将以一个简单的人体姿态分类模型为例来展示Pytorch模型搭建和训练的过程，为读者日后理解或搭建更复杂的模型提供基础。
完整代码请通过公众号聊天，输入自定义模型和训练集.py获取。
流程
01 丨构建数据类
数据的获取和处理的逻辑封装在一个类中，这个类必须继承Pytorch提供的Dataset类。在这个类中我们一般写哪些东西呢？一般情况下， init、__getitem__和__len__ 这三个魔法函数是必要的。init__是类的实例化时调用的函数即构造器；我们知道，实现了魔法函数__getitem，对象就可以被索引访问，返回一个数据样本，以这个分类任务为例，一个样本就是形如这样的元组: (样本标签,样本数据) ;__len__返回数据集中样本的总数,这个数值也有多个用处，这里不赘述
实验数据使用代码随机生成:
下面展示的是随机生成的假数据，数据保存在data.txt中(当然，保存在.csv或其他格式的文件也可以)，每一行第一个值是标签，取值有0、1、2、3，代表人体姿势的4种类别，这里假设4种类别为分别为站立、蹲下、跳跃和奔跑；剩余5个值是特征数据，代表人体的5个关键点在图片中的相对位置，所以他们的值在0~1之间，5个关键点分别为鼻子、左手腕、右手腕、左脚踝、右脚踝，该数据仅做演示功能使用，没有实际意义：
下面定义数据类，各部分含义如上文所述：
02 丨构建模型类
模型相关的信息被封装在自定义的模型类中，这个类必须继承Pytorch提供的Module类。在模型类中实现 __init__和forward这两个方法是必要的。在__init__中定义组成模型的各个组件，比如全连接层、2D卷积层和激活函数等等；而forward则代表前向传播，即数据从输入开始，一步步是怎么被计算的，最终得到输出，所以这个方法在模型推理数据时会被自动调用，返回推理结果
下面定义模型类，各部分含义如上文所述:
03 丨 编写训练代码
有了数据和模型，接下来设定一些超参数，例如学习率lr、批大小batchsize、损失函数loss function、训练轮次epochs、优化器optimizer等等；接着编写训练和验证的逻辑代码，大体上包含for循环、可视化(这里用比Tensorboard使用起来更简便的visdom)以及模型保存。
注意，我们定义的数据类提供的数据不是直接拿来训练或验证模型，而是通过DataLoader即数据加载器打包成一个个batch后使用的：
那么一个batch的数据长什么样呢？参见下图：
可以很清楚地看到，一个batchsize大小的特征数据被整合到一个tensor中，而其对应的一个batchsize大小的标签也被整合到一个tensor中，这就是DataLoader做的主要工作。如下面几行代码所示，取出一个batch的特征数据和标签，做前向推理和损失计算：
此外，在创建模型的时候要注意模型的输入输出维度，因为我们这里是5个特征字段，所以对输入层的全连接神经元个数为5，而类别为4，所以最终的输出层的神经元个数为4:
通常在训练过程中我们会观察一些指标性数据，如本实验有关注损失值的大小、准确度(注意，它指的是accuracy，一个全局的性能指标，反映正确预测的样本数占总的样本数的比例，即 (真正例+真负例)/总样本。区别于精确度，对应单词precision，反映的是预测的正样本中真的正样本所占的比例，即真正例/(真正例+假正例) )，在每个epoch后进行一次验证，下面是验证模型在验证集上的准确度上的代码:
其他
本文实验中使用了visdom可视化工具，这是一个由Tornado(Flask、FastAPI、Django、Tornado等)构建的web服务，使用时只需创建一个Visdom对象并指定环境名称，作图时指定下图像窗口名称，填入一些必要信息，一行代码便可作出一幅图像，如下展示生成每次迭代的损失值的折线图：
visdom使用指导:
- 安装，pip install visdom
- 启动python -m visdom.server
- 在启动输出信息中找到服务地址，默认为http://localhost:8097，在浏览器中访问
本实验的可视化结果如下:
