在科研助手使用并行计算训练模型 保存模型 modelpath outdir + "mnistmodel.pth" torch.save(model.statedict(), modelpath) print("模型已保存到 {}".format(modelpath)) 加载模型 print("加载模型...") model Net() 创建新的模型实例 model.loadstatedict(torch.load(modelpath)) 加载保存的权重 model.eval() 设置为评估模式 测试模型 print("开始测试...") with torch.nograd(): for images, labels in testloader: 获取第一批数据中的第一张图片和标签 image images[0].unsqueeze(0) 添加一个批次维度 truelabel labels[0].item() 进行预测 output model(image) , predictedlabel torch.max(output, 1) predictedlabel predictedlabel.item() 打印结果 print(f"真实标签: {truelabel}") print(f"预测标签: {predictedlabel}") break 只处理一张图片 if name 'main': main() 您可以根据实际情况调整模型训练代码。 2、数据准备 本示例使用的是官方提供的MNIST 数据集。 【注意】训练代码中有配置自动下载代码的选项,如果没有提前下载数据,也支持自动下载。您可以按照实际情况上传模型训练需要的数据。 创建科研文件 【科研文件】是科研助手提供的文件管理服务模块,您可以通过【科研文件】来管理自己的数据。并行计算需要依赖【科研文件】提供训练所需数据,因此需要提前创建科研文件。 进入科研助手,选择【数据存储】>【科研文件管理】,点击【创建科研文件】按钮 请根据你所需要的可用区进行选择。科研文件默认最小容量为10G,您可以按需调整所需容量。 配置后,点击【确认订单】,等待科研文件状态变为【创建成功】