大家好，我是java1234_小锋老师，最近写了一套基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程，持续更新中，计划月底更新完，感谢支持。

视频在线地址：

https://www.bilibili.com/video/BV1BdUnBLE6N/

课程简介：

本课程采用主流的Python技术栈实现，分两套系统讲解，一套是专门讲PyTorch2卷积神经网络CNN训练模型，识别车牌，当然实现过程中还用到OpenCV实现图像格式转换，裁剪，大小缩放等。另外一套是基于前面Django+Vue通用权限系统基础上，加了车辆识别业务模型，Mysql8数据库，Django后端，Vue前端，后端集成训练好的模型，实现车牌识别。

基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程 - 训练模型

前面我们定义好了神经网络和自定义好了数据集，然后我们来训练模型：

# 定义损失函数
criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
optimizer = torch.optim.Adam(cnn_model.parameters(), lr=0.001)  # 优化器
​
​
def train(epochs):
    cnn_model.train()  # 训练模式
    for epoch in range(epochs):
        loss = 0
        for image, target in train_loader:
            target = Variable(target).reshape(1, )
            # 前向传播
            output = cnn_model(image)
            loss = criterion(output, target)  # 计算损失
​
            # 反向传播和优化
            optimizer.zero_grad()  # 清空梯度
            loss.backward()  # 反向传播
            optimizer.step()  # 更新参数
        print(f'Epoch [{epoch + 1}/{epochs}],  Loss: {loss.item():.4f}')
​
​
if __name__ == '__main__':
    train_data_dir = './images/cnn_char_train'
    train_model_path = 'char.pth'
    print('开始训练模型...')
    traindataset = CharPicDataset(train_data_dir)
    train_loader = data.DataLoader(traindataset, batch_size=1, shuffle=True)
    epochs = 3
    train(epochs)
    torch.save(cnn_model, train_model_path)  # 保存模型

运行输出：

开始训练模型...
Epoch [1/3],  Loss: 0.0028
Epoch [2/3],  Loss: 0.0000
Epoch [3/3],  Loss: 0.0000

生成了char.pth模型文件