PyTorch Quickstart教程训练准确率打印修改方案是否正确

结论 #

你的修改逻辑完全正确，可直接用于常规分类任务的神经网络训练。

核心逻辑正确性说明 #

• 训练流程顺序合规：进入函数后先调用model.train()将模型切换至训练模式，保证Dropout、BatchNorm等训练专属层正常生效；前向推理计算损失、梯度清零、反向传播、优化器更新参数的顺序没有错误，符合PyTorch标准训练流程。
• 指标计算逻辑正确：
  • 平均训练损失为所有batch损失累加后除以batch总数，计算逻辑和官方教程一致
  • 训练准确率通过累加每个batch中预测类别（取predictions.argmax(1)作为模型输出的预测类别）和真实标签匹配的样本数，最后除以总样本数得到，和Keras fit()方法输出的训练准确率计算逻辑完全一致。

可选优化建议（非错误修正，可按需调整） #

• 可以将device设置为函数入参，避免依赖全局变量导致的报错，修改后函数签名可以改为def train(dataloader, model, optimizer, loss_fn, device):，后续传入对应设备参数即可。
• 可以在函数末尾返回correct, training_loss两个指标值，方便后续记录训练曲线、做早停判断等，不必仅做打印输出。
• 如果你需要实时观测训练进度，也可以在batch循环中增加每N个batch打印一次当前batch指标的逻辑，目前每跑完一个完整epoch打印一次的逻辑也完全符合常规使用需求。

内容的提问来源于stack exchange，提问作者Abdullah Celik