我们按照超简单！pytorch入门教程（四）：准备图片数据集准备好了图片数据以后，就来训练一下识别这10类图片的cnn神经网络吧。
按照超简单！pytorch入门教程（三）：构造一个小型CNN构建好一个神经网络，唯一不同的地方就是我们这次训练的是彩色图片，所以第一层卷积层的输入应为3个channel。修改完毕如下：
现在咱们开始训练
我们训练这个网络必须经过4步：
第一步：将输入input向前传播，进行运算后得到输出output
第二步：将output再输入loss函数，计算loss值（是个标量）
第三步：将梯度反向传播到每个参数
第四步：利用下面公式进行权重更新
新权重w = 旧权重w + 学习速率𝜂 x 梯度向量g
非常幸运，pytorch帮我们写好了计算loss的函数和优化的函数。
我们先初始化loss和优化函数：
criterion = nn.CrossEntropyLoss() #叉熵损失函数
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) #使用SGD（随机梯度下降）优化，学习率为0.001，动量为0.9
待会我们就要用到这两个函数
假设我们需要对训练数据完全遍历两次，人话就是：我们把所有训练集的数据扔进去进行训练，但是扔一次怎么够呢，扔一次并不能保证我的网络的参数就训练的很完美了，那么我们就会反复将训练集的数据扔进去训练，每次扔的时候，数据的顺序是不一样的。
这里我们就先扔两次练练。
先不管running_loss，它是我们待会用来统计loss的平均值的。
我们先看data，data是从trainloader中枚举出来的，数据的结构看上面注释。
我们在训练前，会将网络中每个参数的grad值清空为0，这样做是因为grad值是累加的具体参考pytorch学习笔记（二），设置为0后，每次bp后的grad更新后的值才是正确的。
我们将inputs输入net之后，得到outputs，将outputs和labels输入之前定义的叉熵函数计算loss值。除了叉熵方式计算外还有其他计算loss的方法。
loss算完后，我们就使用backward向后传播啦！我们稍微想一下传播会怎么进行，传播应该会让每一个网络参数的grad值进行更新，我们网络中的每一个参数都是Variable类型，并且均是叶子节点，grad值必然会进行更新。
接下来，每个参数利用自身的grad值进行梯度下降法的更新就好了，我们利用先前定义好的optimizer使用step()函数进行更新。其他优化方法
好了！讲了这么久，我们将代码下载下来溜溜，看看是什么情况！下载cnn.py
如果没错的话，跑完你应该会看到下图（loss平均值每次跑都会有变化的，因为咱们的loader设置了shuffle=True）：
好了，训练完之后，我们当然我测试一下我们的网络的分类的正确率到底是多少
上代码：
关于total值我们可以设为10000，因为我们知道训练集中的图片数量就是10000，但是为了泛化，我们还是老老实实的点人头。一开始我们设置correct和total都为0。
我们要计算正确率，就用
正确数／全部数量
我解释一下第92行代码，outputs.data是一个4x10张量，max函数会将每一行的最大的那一列的值和序号各自组成一个一维张量返回，第一个是值的张量，第二个是序号的张量。我想还是举个例子吧：
那么为啥输出的outputs是个4x10的张量呢，我们试着想一下，假设我们现在输入的是一张图片，那么出来的是一个10维的特征向量，因为我们同时输入了4张，所以就是4x10啦！
第93行，我们的labels是4维的向量，size(0)就是4，即没次total都加4。
第94行，两个4维向量逐行对比，相同的行记为1，不同的行记为0，再利用sum(),求各元素总和，得到相同的个数。这个不懂也可以自己命令行上试试：
完整代码在这，我们下载后跑一下：
童鞋们可以看到，训练2遍结果是不够好的，才52%！大家可以回去把循环次数2改成10试试。
pytorch入门教程就到这里吧😄，Zen君继续操练去了。
