在深度学习中结合训练和推理的重要性

Question

我以为Deep Learning中训练和推理的过程是分开的，但是看到这段代码，实际执行代码，我发现我的理解可能不正确。

network.train()  

batch_losses = []
for step, (imgs, label_imgs) in enumerate(train_loader):
    imgs = Variable(imgs).cuda()  
    label_imgs = Variable(label_imgs.type(torch.LongTensor)).cuda()  

    outputs = network(imgs)  

    loss = loss_fn(outputs, label_imgs)
    loss_value = loss.data.cpu().numpy()
    batch_losses.append(loss_value)

我指出outputs = network(imgs)弄清楚这个程序。这通常用于估计模型？我知道估计模型很好看我们的方向。但我不明白这是必要的。如果我想增加我的训练时间，我可以删除它吗？

Answer 1

您分享的代码片段实际上只是深度学习模型的训练代码。在这里，outputs = network(imgs) 实际上接受了 imgs 即； 训练数据 并在通过 网络（您要在其上训练数据的模型）后给出 预测输出 。

然后根据该输出，loss_fn 在此处计算 loss = loss_fn(outputs, label_imgs)，采用预测标签 （输出） 和实际标签 (label_imgs)

注：在inference中，一般不计算loss，计算预测标签的accuracy。仅根据训练数据计算损失，以衡量训练是否正确进行以及损失是否正在减少。我建议你通过一些基本的深度学习教程来获得更好的洞察力，以防你仍然有一些疑问。

在深度学习中结合训练和推理的重要性

The importance of combining a train and inference in Deep Learning

machine-learning

conv-neural-network

tensorflow

pytorch