day33 python深度学习入门

目次
深度学习入门：PyTorch实现鸢尾花分类
一、情况搭建
1. 创建Python情况
2. 安装须要的库
3. 检查CUDA情况
二、数据准备
1. 加载数据集
2. 数据预处置惩罚
3. 转换为PyTorch张量
三、模子构建
1. 定义模子结构
2. 定义丧失函数和优化器
四、模子训练
1. 训练过程
2. 训练效果
五、效果可视化
六、总结

---

在深度学习的路程中，神经网络是不可或缺的核心工具之一。本日，我将通过一个简单的项目，使用PyTorch框架实现鸢尾花分类使命，具体记录从情况搭建到模子训练的全过程，帮助大家更好地理解和实践。
一、情况搭建

在开始之前，我们必要搭建合适的开辟情况。PyTorch是深度学习范畴中非常流行的框架，它提供了丰富的功能和机动的接口，方便我们构建和训练神经网络模子。
1. 创建Python情况

为了确保项目标独立性和稳定性，我们首先创建一个新的Python情况。在终端中运行以下命令：

1. conda create -n DL python=3.8
2. conda env list
3. conda activate DL

复制代码

这将创建一个名为“DL”的情况，并安装Python 3.8版本。
2. 安装须要的库

在激活情况后，我们必要安装一些常用的库。运行以下命令安装Jupyter和scikit-learn：

1. conda install jupyter
2. pip install scikit-learn

复制代码

接下来，安装PyTorch。由于PyTorch支持GPU加速，我们可以根据自己的硬件条件选择安装CPU版本或GPU版本。如果你的电脑配备了NVIDIA显卡，可以通过以下命令安装支持CUDA的PyTorch版本：

1. pip install torch torchvision torchaudio

复制代码

如果你使用的是AMD显卡或苹果电脑，可以直接安装CPU版本的PyTorch：

1. pip install torch torchvision torchaudio

复制代码

3. 检查CUDA情况

在安装完成后，我们必要检查CUDA是否可用。在Python情况中运行以下代码：

1. import torch
2. if torch.cuda.is_available():
3.     print("CUDA可用！")
4.     device_count = torch.cuda.device_count()
5.     print(f"可用的CUDA设备数量: {device_count}")
6.     current_device = torch.cuda.current_device()
7.     print(f"当前使用的CUDA设备索引: {current_device}")
8.     device_name = torch.cuda.get_device_name(current_device)
9.     print(f"当前CUDA设备的名称: {device_name}")
10.     cuda_version = torch.version.cuda
11.     print(f"CUDA版本: {cuda_version}")
12. else:
13.     print("CUDA不可用。")

复制代码

如果输出显示CUDA可用，分析你的情况已经正确配置，可以使用GPU加速训练过程。
二、数据准备

数据是机器学习和深度学习的根本。在本项目中，我们使用经典的鸢尾花数据集。鸢尾花数据集是一个多变量数据集，包含150个样本，每个样本有4个特性，分为3个类别。
1. 加载数据集

使用scikit-learn库加载鸢尾花数据集：

1. from sklearn.datasets import load_iris
2. from sklearn.model_selection import train_test_split
4. # 加载鸢尾花数据集
5. iris = load_iris()
6. X = iris.data  # 特征数据
7. y = iris.target  # 标签数据
9. # 划分训练集和测试集
10. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

复制代码

2. 数据预处置惩罚

神经网络对输入数据的尺度非常敏感，因此我们必要对数据举行归一化处置惩罚。使用MinMaxScaler将特性值缩放到0到1的范围内：

1. from sklearn.preprocessing import MinMaxScaler
3. scaler = MinMaxScaler()
4. X_train = scaler.fit_transform(X_train)
5. X_test = scaler.transform(X_test)

复制代码

3. 转换为PyTorch张量

PyTorch使用张量（Tensor）作为数据的根本单位。将数据转换为张量，并确保标签数据的类型为torch.LongTensor：

1. import torch
3. X_train = torch.FloatTensor(X_train)
4. y_train = torch.LongTensor(y_train)
5. X_test = torch.FloatTensor(X_test)
6. y_test = torch.LongTensor(y_test)

复制代码

三、模子构建

接下来，我们定义一个简单的全连接神经网络模子。该模子包含一个输入层、一个潜伏层和一个输出层。
1. 定义模子结构

1. import torch.nn as nn
2. import torch.optim as optim
4. class MLP(nn.Module):
5.     def __init__(self):
6.         super(MLP, self).__init__()
7.         self.fc1 = nn.Linear(4, 10)  # 输入层到隐藏层
8.         self.relu = nn.ReLU()
9.         self.fc2 = nn.Linear(10, 3)  # 隐藏层到输出层
11.     def forward(self, x):
12.         out = self.fc1(x)
13.         out = self.relu(out)
14.         out = self.fc2(out)
15.         return out
17. model = MLP()

复制代码

2. 定义丧失函数和优化器

对于分类使命，我们通常使用交叉熵丧失函数。同时，选择随机梯度下降（SGD）作为优化器：

1. criterion = nn.CrossEntropyLoss()
2. optimizer = optim.SGD(model.parameters(), lr=0.01)

复制代码

四、模子训练

训练是深度学习的核心环节。通过不断迭代优化模子参数，使模子可以或许更好地拟合训练数据。
1. 训练过程

设置训练轮数为20000轮，并在每100轮打印一次丧失值：

1. num_epochs = 20000
2. losses = []
4. for epoch in range(num_epochs):
5.     # 前向传播
6.     outputs = model(X_train)
7.     loss = criterion(outputs, y_train)
9.     # 反向传播和优化
10.     optimizer.zero_grad()
11.     loss.backward()
12.     optimizer.step()
14.     # 记录损失值
15.     losses.append(loss.item())
17.     # 打印训练信息
18.     if (epoch + 1) % 100 == 0:
19.         print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

复制代码

2. 训练效果

训练过程中，丧失值逐渐降低，表明模子在不断学习和优化。以下是部分训练输出：

1. Epoch [100/20000], Loss: 1.0730
2. Epoch [200/20000], Loss: 1.0258
3. Epoch [300/20000], Loss: 0.9757
4. ...
5. Epoch [19900/20000], Loss: 0.0604
6. Epoch [20000/20000], Loss: 0.0603

复制代码

五、效果可视化

为了更直观地展示训练过程，我们可以绘制丧失曲线。使用Matplotlib库绘制丧失值随训练轮数的变革：

1. import matplotlib.pyplot as plt
3. plt.plot(range(num_epochs), losses)
4. plt.xlabel('Epoch')
5. plt.ylabel('Loss')
6. plt.title('Training Loss over Epochs')
7. plt.show()

复制代码

从图中可以看出，随着训练轮数的增加，丧失值逐渐趋于稳定，表明模子已经收敛。
六、总结

通过本次实践，我深刻了解到了深度学习的魅力和强大功能。从情况搭建到模子训练，每一步都至关紧张。以下是本次实践的几点总结：

• 情况搭建的紧张性：合适的开辟情况是项目顺遂举行的根本。通过创建独立的Python情况并安装须要的库，可以避免版本辩论和依赖问题。
  
• 数据预处置惩罚的作用：数据的质量直接影响模子的性能。通过归一化处置惩罚，可以将特性值缩放到合适的范围，提高模子的训练效果。
  
• 模子结构的设计：简单的全连接神经网络已经可以或许很好地完成鸢尾花分类使命。在现实应用中，可以根据使命的复杂度选择更复杂的网络结构。
  
• 训练过程的优化：选择合适的丧失函数和优化器是训练成功的关键。通过不断调整学习率和训练轮数，可以优化模子的性能。
  
• 效果可视化的价值：通过绘制丧失曲线，可以直观地观察模子的训练过程，判定模子是否收敛。
  

@浙大疏锦行

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

继续阅读请点击广告