一、加载数据
1. 自定义 Dataset 类
class MyDataset(Dataset):
def __init__(self, file): self.data = ... # 读取/预处理数据
def __getitem__(self, index): return self.data[index] # 按索引取样本
def __len__(self): return len(self.data) # 返回数据集长度
-
核心作用：让 PyTorch 识别自定义数据（如本地 CSV / 图片）；
-
继承原因：遵循 Dataset 抽象接口，兼容 PyTorch 数据加载生态。
2. DataLoader 分组
dataloader = DataLoader(dataset, batch_size=5, shuffle=False)
-
核心作用：批量加载数据（batch_size 控制每批样本数），shuffle 控制是否打乱；
-
附加价值：自动多线程加载，提升效率。
3. 张量（Tensors）
| 代码片段 | 核心作用 |
|---|---|
torch.tensor/zeros/ones | 创建多维数组（PyTorch 核心数据结构） |
sum/mean/transpose/squeeze/unsqueeze | 张量数值计算、维度调整 |
requires_grad=True + backward() | 开启梯度追踪，反向传播计算参数梯度 |
x.to('cuda') | 张量移到 GPU，实现加速计算 |
二、定义模型
class MyModel(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(10,32), nn.Sigmoid(), nn.Linear(32,1))
def forward(self, x): return self.net(x)
- 核心作用：定义神经网络结构（线性层 + 激活函数），forward 指定前向传播逻辑；
- 继承原因：复用 nn.Module 封装的参数管理、反向传播、设备迁移等核心功能。
三、损失函数 & 优化器
| 代码片段 | 核心作用 |
|---|---|
nn.MSELoss()/CrossEntropyLoss() | 定义损失函数（衡量预测与真实值差距） |
torch.optim.SGD(model.parameters(), lr=0.1) | 优化器：根据梯度调整模型参数，lr 控制学习步长 |
四、训练 / 验证 / 测试
1. 训练循环
for epoch in range(n_epochs):
model.train() # 训练模式（启用Dropout/BatchNorm）
for x, y in tr_set:
optimizer.zero_grad() # 清空梯度（避免累加）
pred = model(x)
loss = criterion(pred, y)
loss.backward() # 反向传播算梯度
optimizer.step() # 更新参数
- 核心逻辑：前向算损失→反向算梯度→优化器调参数，循环迭代。
2. 验证 / 测试
model.eval() # 评估模式（关闭Dropout/BatchNorm）
with torch.no_grad(): # 禁用梯度计算，加速+省内存
pred = model(x) # 仅前向传播，不更新参数
- 核心目的：验证模型泛化能力，测试最终预测效果。
3. 模型保存 / 加载
torch.save(model.state_dict(), path) # 存参数
model.load_state_dict(torch.load(path)) # 加载参数
- 核心作用：保存训练好的模型参数，方便后续复用 / 部署。
总结
-
继承核心：Dataset/nn.Module 是 PyTorch 的基础接口，继承可复用生态功能；
-
训练核心逻辑：前向传播算损失→反向传播算梯度→优化器更新参数；
-
关键细节：训练 / 评估模式切换、梯度清空、设备统一（数据 / 模型同 CPU/GPU）。
