本节介绍深度学习网络模型的训练过程
22年人工智能赛题只要求输出loss，所以没有输出训练时每次epoch准确率，这个还是要有吧，假设训练集和验证集的acc输出的话，是可以很好地判断模型是否拟合，比赛并不要求这一点。
但是这个我觉得还是很有必要提醒一下，避免因为这个比赛导致了一些误区。
通常训练一个模型是需要划分成，训练集，验证集和测试集的。在测试集和验证集上训练，在测试集上测试，两者都可以作为评价模型的标准。
关于这一点的介绍，我决定写注释来介绍代码，原理感兴趣就听李沐老师吧！
train_steps = len(train_loader)
net = NET(mask_len)
net.to(device)
optimizer = torch.optim.Adam(net.parameters(), lr=0.01)
loss_func = torch.nn.L1Loss()
for epoch in range(10):
train_loss = 0.0
train_acc = 0.0
for index, (batch_x, batch_y) in enumerate(train_loader):
out = net(batch_x.to(device))
loss = loss_func(out, batch_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
train_loss += loss.item()
similar = torch.cosine_similarity(out, batch_y.to(device))
train_acc += similar.sum().item()
print('Epoch:{} Train Loss:{} acc:{}'.format(epoch + 1, train_loss / train_steps, train_acc / train_data_len))
net.eval()
val_acc = 0.0
with torch.no_grad():
for index, (batch_x, batch_y) in enumerate(test_loader):
pre = net(batch_x.to(device))
similar = torch.cosine_similarity(batch_y.to(device), pre)
val_acc += similar.sum().item()
print("acc", val_acc / test_data_len)
train_steps = len(train_loader) # 获取每一次epoch内传入图像的泼数，一泼16张
net = NET(mask_len)
net.to(device)
optimizer = torch.optim.Adam(net.parameters(), lr=0.01) # 创建一个优化器，在这里选用你模型训练阶段所使用的优化器
loss_func = torch.nn.L1Loss() # 创建一个损失函数
for epoch in range(10): # 这里epoch 10次意思一下
train_loss = 0.0 # 指的是每一次epoch的loss和acc 不要和下面index混淆了
train_acc = 0.0
for index, (batch_x, batch_y) in enumerate(train_loader): # 将打包在train_loader的图像送进去
out = net(batch_x.to(device)) # 可以理解成网络学习的结果
loss = loss_func(out, batch_y) # 使用损失函数计算这一次index的损失值
optimizer.zero_grad() # 优化器清零
loss.backward() # 损失结果反向传播
optimizer.step() # 优化器使用
train_loss += loss.item() # 加到train_loss里面，再用train_loss除以传入图像的泼数就是这一次epoch的loss平均值了，用这个值
similar = torch.cosine_similarity(out, batch_y.to(device)) # 计算相似度
train_acc += similar.sum().item() # 将相似度整合到总准确率中，这里除与总的图像张数，得到每张图像的平均准确率
print(‘Epoch:{} Train Loss:{} acc:{}’.format(epoch + 1, train_loss / train_steps, train_acc / train_data_len))
net.eval() # 不在反向传播了，这里是开始测试或者验证的标志
val_acc = 0.0
with torch.no_grad():
for index, (batch_x, batch_y) in enumerate(test_loader):
pre = net(batch_x.to(device))
similar = torch.cosine_similarity(batch_y.to(device), pre)
val_acc += similar.sum().item()
print("acc", val_acc / test_data_len)
注意: 这里我把原题的测试集当成验证集来给大家展示了，也就是这里没有测试集。能写验证就能写测试，验证集是在训练里面的，测试集是可以单领出来测试的。
训练出的结果长这样：
