15、数据级深度学习方法：采样与增强技术解析

数据级深度学习方法：采样与增强技术解析

1. 创建训练循环

在开始创建训练循环之前，我们需要导入 torch.nn 和 torch.optim 包。 torch.nn 包为创建神经网络图提供了所有基本构建块，而 torch.optim 包则为我们提供了大多数常见的优化算法。

import torch.nn as nn
import torch.optim as optim

接下来，我们定义一些超参数：

input_size = 28 * 28 # 784
num_classes = 10
num_epochs = 20
learning_rate = 0.01

设置好超参数后，我们可以定义 train 函数，该函数将 PyTorch 的数据加载器作为输入，并返回一个拟合数据的模型。为了创建一个训练好的模型，我们需要一个模型、一个损失准则和一个优化器。这里我们使用单层线性神经网络作为模型，损失准则使用 CrossEntropyLoss ，优化器使用随机梯度下降（SGD）。

def train(trainloader):
    model = nn.Linear(input_size, num_classes)
    crit