"""
    模型训练套路
        # 创建网络结构
        # 准备数据，使用DataLoader加载
        # 实例化模型
        # 损失函数 CrossEntropyLoss
        # 优化器 torch.optim.SGD
        # 循环训练
            # 训练模型
            # 测试正确率
            # 记录过程
        # 训练结束，存储模型
"""

import torchvision

from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from model.model20 import *

# 准备数据
train_data = torchvision.datasets.CIFAR10(root="./visionData", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="./visionData", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length 长度
train_data_size = len(test_data)
test_data_size = len(test_data)

print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))

# 利用DataLoader 加载数据
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 实例化模型
gis = Gisleung()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 0.01  # 学习率
optimizer = torch.optim.SGD(gis.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
total_train_step = 0  # 记录训练的次数
total_test_step = 0  # 记录测试的次数
epoch = 10  # 训练的轮数

# 添加tensorboard
writer = SummaryWriter("logs/020")

for i in range(epoch):
    print("------第 {} 轮训练开始------".format(i+1))

    # 训练步骤开始
    gis.train()
    for data in train_dataloader:
        imgs, targets = data
        outputs = gis(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        # 100次打印一次
        if total_train_step % 100 == 0:
            print("训练次数： {}，Loss：{}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    gis.eval()
    total_test_loss = 0
    total_accuracy = 0  # 整体正确的个数

    # 下面为测试部分，使用.no_grad()，表示下面的步骤不用于调优（不修改梯度）
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            outputs = gis(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            # 计算正确率
            # outputs.argmax(1) 可以直接从outputs生成最大概率的预测值
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss：{}".format(total_test_loss))
    print("整体测试集上的正确率：{}".format(total_accuracy/test_data_size))

    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)

    total_test_step = total_test_step + 1

    # 保存每一次的模型
    torch.save(gis, "./model_save/gis_{}.pth".format(i))
    print("模型已保存")

writer.close()