一条命令跑通PyTorch图像分类：从训练到存模型

一条命令跑通PyTorch图像分类：从训练到存模型

【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning

如果你看 PyTorch 的文档和零散示例，却始终拼不出一个"能训练、能测试、能存模型"的完整项目，这篇文章帮你在 10 分钟内用 pytorch-deep-learning 这个课程仓库跑通一条完整的图像分类流水线：克隆仓库、解压数据、执行一条命令，几分钟后得到一个训练好的.pth模型文件。

环境搭建和第一次训练 🚀

依赖只有三个包：torch、torchvision、tqdm（进度条）。仓库里没有requirements.txt，但训练脚本用到这些库的地方不多，装完就能跑。

git clone https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning cd pytorch-deep-learning unzip data/pizza_steak_sushi.zip -d data/ pip install torch torchvision tqdm python going_modular/going_modular/train.py

最后这条命令就是全部。运行后终端会逐行打印每个 epoch 的train_loss、train_acc、test_loss、test_acc，跑完自动把模型权重存进models/目录。仓库里已经附带训练好的模型（如going_modular/models/05_going_modular_script_mode_tinyvgg_model.pth），想先看看效果可以直接拿它做预测。

两个注意点：解压后训练数据必须落在data/pizza_steak_sushi/train、测试数据在data/pizza_steak_sushi/test，路径不对会在建数据集时报错；另外务必在仓库根目录执行最后那条命令，原因下一节讲。

拆解：engine.py 的训练循环在干什么 🔬

整个going_modular/going_modular/目录把项目拆成 5 个各司其职的文件：data_setup.py负责把目录变成 DataLoader，model_builder.py负责网络结构（一个照搬 CNN Explainer 的 TinyVGG 卷积网络），utils.py负责保存模型，train.py只是配置页，而真正干活的训练逻辑集中在engine.py的train_step里，核心就这几行：

for batch, (X, y) in enumerate(dataloader): X, y = X.to(device), y.to(device) y_pred = model(X) # 前向传播 loss = loss_fn(y_pred, y) # 算损失 optimizer.zero_grad() # 清空梯度 loss.backward() # 反向传播 optimizer.step() # 更新参数

它为什么这样设计：训练循环本身没有任何"魔法"，难点在于它要同时管数据搬运、设备（CPU/GPU）切换、梯度和指标统计。engine.py把这些封成train_step和test_step两个函数，外面再用train()按 epoch 调度，所以train.py才薄到只有 30 行——你换数据集、换模型、换损失函数时，只动配置页，循环代码一行不碰。这也是你在真实 PyTorch 项目里最常看到的那种工程结构。test_step与train_step的区别一句话带过：测试时用model.eval()关掉 Dropout 类行为，并用torch.inference_mode()省掉不保存计算图。

调参对照表：改哪个数字有什么用 🎛️

所有关键参数都集中在going_modular/going_modular/train.py开头（NUM_EPOCHS = 5、BATCH_SIZE = 32、HIDDEN_UNITS = 10、LEARNING_RATE = 0.001），图像尺寸则在同文件的transforms.Resize((64, 64))里：

另外data_setup.py里NUM_WORKERS默认取os.cpu_count()，多核机器上数据加载会自动并行。判断调参方向的标尺是损失曲线：训练集和测试集损失都下降且差距稳定是理想状态，训练损失持续降而测试损失开始回升就是过拟合，这时候先加 epoch 之外的手段——降学习率、调小 HIDDEN_UNITS 都比硬堆数据更直接。

进阶玩法：torch.compile 一行提速 🧪

训练跑通之后，如果你的 torch 是 2.0+，可以在本地克隆的going_modular/going_modular/train.py里、创建模型之后加一行：

model = torch.compile(model)

第一个 epoch 会因为编译开销变慢，之后逐 epoch 提速。仓库的extras/pytorch_2_intro.ipynb专门讲了 PyTorch 2.0 的这些新特性，extras/pytorch_2_results/里还有 ResNet50 在 CIFAR10 上 compiled 与非 compiled 的实测 CSV 和曲线图，比如下面这张 RTX 4080 上逐 epoch 训练耗时的对比，可以直接对照自己的机器验证提速幅度。

踩坑记录：第一次跑最常撞的四个错 ⚠️

• FileNotFoundError/ 数据集为空→ 解压后目录层级和data/pizza_steak_sushi/train对不上 → 检查解压结果，必要时把 train、test 两层的子目录挪到正确位置。
• ModuleNotFoundError: No module named 'data_setup'→ 在错误的目录层级启动脚本 → 在仓库根目录执行python going_modular/going_modular/train.py，Python 会自动把脚本所在目录加入搜索路径。
• 训练奇慢，日志显示跑在 cpu 上→ 装的是 CPU 版 torch → 按SETUP.md重装带 CUDA 的版本，或直接换 Colab 免费 GPU 跑。
• CUDA out of memory→ BATCH_SIZE 或图像尺寸太大 → 先把 BATCH_SIZE 从 32 降到 16 再重试。

下一步往哪走 📍

这个仓库能覆盖的范围是：从张量基础到图像分类训练、实验跟踪再到模型部署的完整代码教学，但不提供开箱即用的模型 API，也不涉及 NLP 和时间序列方向。建议的延伸路径：extras/pytorch_cheatsheet.ipynb当速查表随手查，06_pytorch_transfer_learning.ipynb学用预训练模型提精度，extras/pytorch_extra_resources.md里有按方向的延伸资源清单。

【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning