1.全局流程

2.训练过程

损失函数:用来度量深度学习模型的预测值f(x)与真实标签值Y的差异程度的运算函数，损失函数越小，模型型训练的效果越好。

2.1 深度学习训练主要训练步骤：

1. 确定模型
2. 将模型加在到cpu或者gpu中
3. 确定训练数据
4. 确定优化器和超参
5. model.train()
6. 进入循环，将数据放到设备中
7. 前向传播：就是将数据放到模型中训练
8. 梯度清零：防止之前在优化器中存在之前的梯度，对当前的梯度有污染
9. 计算损失：计算预测值与真实值之间的误差
10. 反向传播：进行求导操作
11. 更新参数
12. 达到最优的结果之后就可以保存模型了

2.2 部分代码

1.定义模型
2.定义优化器和超参
下面进入循环训练模型
model.trian() # 开启训练模式
for i, data in enumerate(train_iter):
		# 数据放到cpu或者gpu中
        train_data = to_device(data, label_emberding)
        # 前向传播：然后将要训练的数据放到模型中训练
        output = model(train_data)
        # 梯度清零：防止数据污染
        optimier.zero_grad()
        # 计算损失
        loss = loss_fn(output, train_data['labelnum'])
        # 反响传播：求导，找到更好的参数
        loss.backward()
        # 更新参数
        optimier.step()
        # 然后下面进入验证操作，根据验证集判断是否要继续进行下一步
        .......
        model.train（）# 显示调用trian（），再次回到train状态

3.验证过程

3.1 验证主要步骤：

1. model.eval
2. 打开上下文管理器，禁止梯度计算
3. 将数据加载到device
4. 正向传播
5. 汇总结果：因为是一个一个batch训练的，所以需要将所有的结果全部通过相关操作之后，将数据统一保存
6. 计算评价指标

3.2 部分代码

model.eval()
#  打开上下文管理器，禁止梯度计算
with torch.no_gard()
	for batch in dev_iter:
		# 如果有数据就需要将数据加在到gpu
		data=to_device(batch)
		# 正向传播
		out=model(data)
		汇总所有相关的数据
		.....
# 将所有汇总的结果进行评价指标计算
getscore（results）

4.测试过程

1. 加载模型
2. 重复验证的过程
   最终查看评估结果，目的就是为验证模型的训练是否有效

5其他操作

1. 分别计算每一个epoch训练集的loss和验证集的loss，就可以判断是否过拟合
2. 计算每一步花了多少时间
3. 早停机制
4. 计算验证集的评价指标的一个变化过程