前言

一旦模型、数据集、损失函数和优化器准备完成后，我们就可以开始训练模型了。在本节中，我们将学习如何正确训练和评估深度学习模型。

模型训练与评估

我们首先编写用于批 (batch) 处理、时期 (epoch) 处理和训练模型的辅助函数。

1. 编写辅助函数计算每批数据的损失值：

python
复制代码
def loss_batch(loss_func, xb, yb,yb_h, opt=None):
    loss = loss_func(yb_h, yb)
    metric_b = metrics_batch(yb,yb_h)
    if opt is not None:
        loss.backward()
        opt.step()
        opt.zero_grad()
    return loss.item(), metric_b

2. 接下来，定义一个辅助函数来计算模型在每批数据上的准确率：

python
复制代码
def metrics_batch(target, output):
    pred = output.argmax(dim=1, keepdim=True)
    corrects=pred.eq(target.view_as(pred)).sum().item()
    return corrects

3. 接下来，定义一个辅助函数来计算数据集的损失和度量值：

python
复制代码
def loss_epoch(model,loss_func,dataset_dl,opt=None):
    loss=0.0
    metric=0.0
    len_data=len(dataset_dl.dataset)
    for xb, yb in dataset_dl:
        xb=xb.type(torch.float).to(device)
        yb=yb.to(device)
        yb_h=model(xb)
        loss_b,metric_b=loss_batch(loss_func, xb, yb,yb_h, opt)
        loss+=loss_b
        if metric_b is not None:
            metric+=metric_b
    loss/=len_data
    metric/=len_data
    return loss, metric

4. 最后，定义 train_val 函数用于评估模型性能：

python
复制代码
def train_val(epochs, model, loss_func, opt, train_dl, val_dl):
    for epoch in range(epochs):
        model.train()
        train_loss, train_metric=loss_epoch(model,loss_func,train_dl,opt)
        model.eval()
        with torch.no_grad():
            val_loss, val_metric=loss_epoch(model,loss_func,val_dl)
        accuracy=100*val_metric
        print("epoch: %d, train loss: %.6f, val loss: %.6f, accuracy: %.2f" %(epoch, train_loss,val_loss,accuracy))

5. 训练模型数个 epoch：

python
复制代码
num_epochs=5
train_val(num_epochs, model, loss_func, opt, train_dl, val_dl)

训练开始后，可以看到模型训练过程中损失和性能变化：

shell
复制代码
epoch: 0, train loss: 0.22345, val loss: 0.094503, accuracy: 96.94
...
epoch: 5, train loss: 0.02345, val loss: 0.049503, accuracy: 98.02

存储和加载模型

训练完成后，我们可以将训练后的参数存储在文件中以供部署和之后加载使用，有两种常见的保存模型的方法。

首先，我们介绍第一种方法。

1. 首先，将模型参数或 state_dict 存储在文件中：

python
复制代码
path2weights="./models/weights.pt"
torch.save(model.state_dict(), path2weights)

2. 要从文件中加载模型参数，需要定义一个 Net 类的对象：

python
复制代码
_model = Net()

3. 然后，从文件中加载 state_dict：

python
复制代码
weights=torch.load(path2weights)

4. 接下来，将 state_dict 设置为模型参数：

python
复制代码
_model.load_state_dict(weights)

接下来，我们继续学习第二种方法。

1. 首先，将模型存储在一个文件中：

python
复制代码
path2model="./models/model.pt"
torch.save(model,path2model)

2. 要从文件中加载模型参数，首先将定义一个 Net 类的对象：

python
复制代码
_model = Net()

3. 然后，从本地文件中加载模型：

python
复制代码
_model=torch.load(path2model)

在本小节中，我们学习了两种存储训练模型的方法。在第一种方法中，我们只存储了 state_dict 或模型参数。当我们需要训练好的模型进行部署时，我们必须创建模型的对象，然后从文件中加载参数，然后将参数设置到模型中，这种方式是 PyTorch 推荐的方法。

在第二种方法中，我们将模型存储到一个文件中，即我们将模型和 state_dict 都存储在一个文件中。当我们需要训练好的模型进行部署时，我们都需要创建一个 Net 类对象。然后，我们从文件中加载模型。因此，与第一种方法相比并没有实际的优势。

部署模型

要部署模型，我们需要使用上一小节中介绍的方法加载模型。一旦模型被加载到内存中，我们就可以将新数据传递给模型，利用模型进行预测。

1. 要将模型部署在验证数据集中的样本图像上，我们首先加载一个样本张量：

python
复制代码
n=100
x= x_val[n]
y=y_val[n]
print(x.shape)

2. 然后，对样本张量进行预处理：

python
复制代码
x= x.unsqueeze(0)
x=x.type(torch.float)
x=x.to(device)

3. 接下来，使用加载完成的神经网络模型获取预测结果：

python
复制代码
output=_model(x)
pred = output.argmax(dim=1, keepdim=True)
print (pred.item(),y.item())

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓