1、简述
经过前面的数据加载和网络定义后，就可以开始训练了，这里会看到前面遇到的一些东西究竟在后面会有什么用，所以这一步希望各位也能仔细研究一下


2、代码

• 
  
  for epoch in range(2):  # loop over the dataset multiple times 指定训练一共要循环几个epoch
  
  
• 
  
  
  
  
• 
  
      running_loss = 0.0  #定义一个变量方便我们对loss进行输出
  
  
• 
  
      for i, data in enumerate(trainloader, 0): # 这里我们遇到了第一步中出现的trailoader，代码传入数据
  
  
• 
  
                                                # enumerate是python的内置函数，既获得索引也获得数据，详见下文
  
  
• 
  
          # get the inputs
  
  
• 
  
          inputs, labels = data   # data是从enumerate返回的data，包含数据和标签信息，分别赋值给inputs和labels
  
  
• 
  
  
  
  
• 
  
          # wrap them in Variable
  
  
• 
  
          inputs, labels = Variable(inputs), Variable(labels) # 将数据转换成Variable，第二步里面我们已经引入这个模块
  
  
• 
  
                                                              # 所以这段程序里面就直接使用了，下文会分析
  
  
• 
  
          # zero the parameter gradients
  
  
• 
  
          optimizer.zero_grad()                # 要把梯度重新归零，因为反向传播过程中梯度会累加上一次循环的梯度
  
  
• 
  
  
  
  
• 
  
          # forward + backward + optimize      
  
  
• 
  
          outputs = net(inputs)                # 把数据输进网络net，这个net()在第二步的代码最后一行我们已经定义了
  
  
• 
  
          loss = criterion(outputs, labels)    # 计算损失值,criterion我们在第三步里面定义了
  
  
• 
  
          loss.backward()                      # loss进行反向传播，下文详解
  
  
• 
  
          optimizer.step()                     # 当执行反向传播之后，把优化器的参数进行更新，以便进行下一轮
  
  
• 
  
  
  
  
• 
  
          # print statistics                   # 这几行代码不是必须的，为了打印出loss方便我们看而已，不影响训练过程
  
  
• 
  
          running_loss += loss.data[0]         # 从下面一行代码可以看出它是每循环0-1999共两千次才打印一次
  
  
• 
  
          if i % 2000 == 1999:    # print every 2000 mini-batches   所以每个2000次之类先用running_loss进行累加
  
  
• 
  
              print('[%d, %5d] loss: %.3f' %
  
  
• 
  
                    (epoch + 1, i + 1, running_loss / 2000))  # 然后再除以2000，就得到这两千次的平均损失值
  
  
• 
  
              running_loss = 0.0               # 这一个2000次结束后，就把running_loss归零，下一个2000次继续使用
  
  
• 
  
  
  
  
• 
  
  print('Finished Training')
  
  
  

[python] view plain copy

•   
  

3、分析
①autograd



在第二步中我们定义网络时定义了前向传播函数，但是并没有定义反向传播函数，可是深度学习是需要反向传播求导的，
Pytorch其实利用的是Autograd模块来进行自动求导，反向传播。
Autograd中最核心的类就是Variable了，它封装了Tensor，并几乎支持所有Tensor的操作，这里可以参考官方给的详细解释：
http://pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html#sphx-glr-beginner-blitz-autograd-tutorial-py

以上链接详细讲述了variable究竟是怎么能够实现自动求导的，怎么用它来实现反向传播的。
这里涉及到计算图的相关概念，这里我不详细讲，后面会写相关博文来讨论这个东西，暂时不会对我们理解这个程序造成影响
只说一句，想要计算各个variable的梯度，只需调用根节点的backward方法，Autograd就会自动沿着整个计算图进行反向计算
而在此例子中，根节点就是我们的loss，所以：

程序中的loss.backward()代码就是在实现反向传播，自动计算所有的梯度。



所以训练部分的代码其实比较简单：
running_loss和后面负责打印损失值的那部分并不是必须的，所以关键行不多，总得来说分成三小节
第一节：把最开始放在trainloader里面的数据给转换成variable，然后指定为网络的输入；
第二节：每次循环新开始的时候，要确保梯度归零
第三节：forward+backward，就是调用我们在第三步里面实例化的net()实现前传，loss.backward()实现后传
每结束一次循环，要确保梯度更新

奈斯