Day 115 — 训练流程 · 练习清单
✅ 今日完成清单
- [ ] 理解 Dataset 和 DataLoader 的关系
- [ ] 掌握自定义 Dataset 的三要素（init、len、getitem）
- [ ] 理解 batch_size、shuffle、num_workers 的作用
- [ ] 掌握 model.train() 和 model.eval() 的区别
- [ ] 理解 torch.no_grad() 的作用
- [ ] 掌握模型保存与加载（state_dict 方式）
- [ ] 完成 MNIST 手写数字识别实战
基础练习题
练习 1：DataLoader 计算
一个数据集有 1000 个样本，batch_size=32： 1. 一共有多少个 batch？ 2. 最后一个 batch 有多少个样本？ 3. 如果 drop_last=True，一共多少个 batch？
练习 2：Dataset 实现
实现一个 Dataset 类，数据来自两个列表：
python
features = [[1,2,3], [4,5,6], [7,8,9]]
labels = [0, 1, 1]
要求：支持 len(dataset) 和 dataset[i] 访问。
练习 3：模式切换
解释以下代码的输出为什么不同：
python
model.train()
out1 = model(x)
model.eval()
out2 = model(x)
# out1 != out2（有 Dropout 的情况下）
进阶挑战题
挑战 1：实现早停
修改 MNIST 训练代码，实现早停机制：连续 5 轮验证集准确率不提升就停止训练。
挑战 2：学习率调度
使用 torch.optim.lr_scheduler.StepLR，每 5 个 epoch 将学习率减半。
挑战 3：混合精度训练
使用 torch.cuda.amp 实现混合精度训练，比较训练速度差异。
💡 自测要点
DataLoader的shuffle=True在训练和测试时分别应该设为什么？- 为什么
model.eval()时要配合torch.no_grad()？ torch.save(model, 'model.pth')和torch.save(model.state_dict(), 'model.pth')有什么区别？