我正在尝试使用Pytorch实现一个二分类的神经网络来训练模型，如下所示：
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, prior_sigma=0.1, in_features=300, out_features=196),)cross_entropy_loss = nn.CrossEntropyLoss()klloss = bnn.BKLLoss(reduction='mean', last_layer_only=False)klweight = 0.01optimizer = 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) total_cost = cross_entropy + klweight*kl optimizer.zero_grad() total_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： 这种训练模型的方法是否正确？我在很多文章中发现，通常会有一个遍历训练数据的DataLoader的部分，比如：
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，数据标签（目标）作为target_tensor，为什么还要使用这个循环？因为遍历数据加载器会花费更多时间。
我不确定如何测试我的模型。我按照下面的方法做了：
correct = 0total = 0with torch.no_grad(): for step in range(data_tensor_test.size(0)): models = model(data_tensor_test) _, predicted = torch.max(models.data, 1) total += target_tensor_test.size(0) correct += (predicted == target_tensor_test).sum().item()print('Accuracy of the test data: %d %%' % ( 100 * correct / total))问题3： 我上面训练的模型，这种测试方法是否正确？
回答：
我将尝试回答你的问题：
问题1和2：这种训练模型的方法是否正确？我在很多文章中发现，通常会有一个遍历训练数据的DataLoader的部分。
在Pytorch中训练时，你应该使用带有数据加载器的数据集，原因如下：
- 它允许我们随机抽样数据
- 它不会预加载数据到内存中，这对于庞大的数据集特别有用
- 它在代码的后台运行，因此可以并行获取数据，从而节省时间
- 它在数据批处理方面非常高效
你这里似乎是在一次处理所有数据元素。如果你的数据只有32个点，这可能还行（尽管由于数据量有限，这并不是最优的），但是在运行优化器和为模型提供学习机会之间需要找到一个平衡点。
我猜测这样做耗时更长是因为你的模型非常小，可能获取数据的时间比数据已经预加载到内存中的时间更长。没有知道你的数据集大小和处理批次大小的情况下，很难回答这个问题。
问题3： 我上面训练的模型，这种测试方法是否正确？在运行任何推理代码之前，你需要将模型设置为评估阶段，使用model.eval()。我也不明白你为什么要使用for循环，因为你每次只是通过相同的数据。我通常会运行类似这样的代码：
correct = 0total = 0with torch.no_grad(): model.eval() for step,(dat,lab) in enumerate(dataloader_test): models = model(dat) _, predicted = torch.max(models.data, 1) total += dat.size(0) correct += (predicted == lab).sum().item()print('Accuracy of the test data: %d %%' % ( 100 * correct / total))