python打卡day33

知识点回顾：
  

• PyTorch和cuda的安装
  
• 查看显卡信息的命令行命令（cmd中使用）
  
• cuda的检查
  
• 简朴神经网络的流程   
  
  
  • 数据预处置惩罚（归一化、转换成张量）
    
  • 模子的界说      
    
    
    • 继续nn.Module类
      
    • 界说每一个层
      
    • 界说前向传播流程
      
    
    
  • 界说损失函数和优化器
    
  • 界说练习流程
    
  • 可视化loss过程
    
  
  

     预处置惩罚补充：
   留意事项：
   1. 分类使命中，若标签是整数（如 0/1/2 种别），需转为long类型（对应 PyTorch 的torch.long），否则交织熵损失函数会报错
   2. 回归使命中，标签需转为float类型（如torch.float32）
    作业：今日的代码，要做到能够手敲。这已经是最简朴最底子的版本了
  PyTorch这个专门用于深度学习的包，就跟之前的库一样的安装就好，至于cuda，英伟达的gpu可以装这个，不是的话装个cpu版的PyTorch就行了，要用gpu上云服务器就好。cpu和gpu区别就是：
  

• cpu是1个博士生，能够完成复杂的盘算，串行本领强
  
• gpu是100个小门生，能够完成简朴的盘算，人多盘算的快
  

  显卡信息和cuda的检查就不说了，反正今天也没用上，直接用鸢尾花数据集通过一个全毗连的神经网络练习走一下流程
  今天用到的库

1. import pandas as pd
2. import numpy as np
3. from sklearn.datasets import load_iris
4. from sklearn.model_selection import train_test_split
5. from sklearn.preprocessing import MinMaxScaler
6. from sklearn.ensemble import RandomForestClassifier
7. import torch # PyTorch 的基础库，提供张量（Tensor）操作和基本数学计算功能
8. import torch.nn as nn # PyTorch 的神经网络模块，提供预定义的层、损失函数和模型容器，模型构建的基类（nn.Module，所有自定义模型需继承此类）
9. import torch.optim as optim # 提供优化算法，用于更新模型参数（如梯度下降）
10. import matplotlib.pyplot as plt

复制代码

1、数据预处置惩罚

1. # 加载鸢尾花数据集
2. iris = load_iris()
3. df = pd.DataFrame(iris.data, columns=iris.feature_names)
4. df['target'] = iris.target  # 添加目标列（0-2类：山鸢尾、杂色鸢尾、维吉尼亚鸢尾）
6. # 特征与目标变量
7. features = iris.feature_names  # 4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
8. target = 'target'  # 目标列名
10. # 划分训练集与测试集
11. X_train, X_test, y_train, y_test = train_test_split(
12.     df[features], df[target], test_size=0.2, random_state=42
13. )
15. # 归一化数据，神经网络对于输入数据的尺寸敏感，归一化是最常见的处理方式
16. scaler = MinMaxScaler()
17. X_train = scaler.fit_transform(X_train)
18. X_test = scaler.transform(X_test) #确保训练集和测试集是相同的缩放
20. # 将数据转换为 PyTorch 张量，因为 PyTorch 使用张量进行训练
21. X_train = torch.FloatTensor(X_train)
22. X_test = torch.FloatTensor(X_test)
23. y_train = torch.LongTensor(y_train)
24. y_test = torch.LongTensor(y_test.to_numpy()) # 不知道为什么就这一句要报错，奇怪，说不能直接转换series，改成numpy数组形式就可以了

复制代码

2、界说一个神经网络

1. class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Module
2.     def __init__(self): # 初始化函数
3.         super().__init__() # 调用父类的初始化函数
4. # 前三行是八股文，后面的是自定义的
6.         self.fc1 = nn.Linear(4, 10)  # nn.Linear全连接层（线性变换)，输入层到隐藏层，4维输入 → 10维输出
7.         self.relu = nn.ReLU() # 激活函数，引入非线性
8.         self.fc2 = nn.Linear(10, 3)  # 隐藏层到输出层，10维输入 → 3维输出
9. # 输出层不需要激活函数，因为后面会用到交叉熵函数cross_entropy，交叉熵函数内部有softmax函数，会把输出转化为概率
11.     def forward(self, x): # 前向传播，定义了数据如何流过网络
12.         out = self.fc1(x)
13.         out = self.relu(out)
14.         out = self.fc2(out)
15.         return out
17. # 实例化模型
18. model = MLP()

复制代码

3、界说一下练习用的损失函数和优化器

1. # 分类问题使用交叉熵损失函数
2. criterion = nn.CrossEntropyLoss()
4. # 使用自适应学习率优化器，第一个参数表明传入模型的所有参数
5. optimizer = optim.Adam(model.parameters(), lr=0.01)

复制代码

4、练习

1. # 训练模型
2. num_epochs = 400 # 训练的轮数
4. # 用于存储每个 epoch 的损失值，用于后续绘制训练曲线
5. losses = []
7. for epoch in range(num_epochs): # range是从0开始，所以epoch是从0开始
8.     # 前向传播
9.     outputs = model.forward(X_train)   # 显式调用forward函数
10.     # outputs = model(X_train)  # 常见写法隐式调用forward函数，其实是用了model类的__call__方法
11.     loss = criterion(outputs, y_train) # output是模型预测值，y_train是真实标签
13.     # 反向传播和优化
14.     optimizer.zero_grad() #梯度清零，因为PyTorch会累积梯度，所以每次迭代需要清零，梯度累计是那种小的bitchsize模拟大的bitchsize
15.     loss.backward() # 反向传播计算梯度
16.     optimizer.step() # 更新参数
18.     # 记录损失值
19.     losses.append(loss.item()) # loss.item() 将单值张量转为 Python 的 float 或 int，才能添加到列表里面
21.     # 打印训练信息
22.     if (epoch + 1) % 20 == 0: # range是从0开始，所以epoch+1是从当前epoch开始，每20个epoch打印一次
23.         print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

复制代码

1. Epoch [20/400], Loss: 0.0594
2. Epoch [40/400], Loss: 0.0547
3. Epoch [60/400], Loss: 0.0519
4. Epoch [80/400], Loss: 0.0502
5. Epoch [100/400], Loss: 0.0490
6. Epoch [120/400], Loss: 0.0482
7. Epoch [140/400], Loss: 0.0477
8. Epoch [160/400], Loss: 0.0473
9. Epoch [180/400], Loss: 0.0471
10. Epoch [200/400], Loss: 0.0469
11. Epoch [220/400], Loss: 0.0468
12. Epoch [240/400], Loss: 0.0467
13. Epoch [260/400], Loss: 0.0467
14. Epoch [280/400], Loss: 0.0466
15. Epoch [300/400], Loss: 0.0466
16. Epoch [320/400], Loss: 0.0466
17. Epoch [340/400], Loss: 0.0466
18. Epoch [360/400], Loss: 0.0466
19. Epoch [380/400], Loss: 0.0466
20. Epoch [400/400], Loss: 0.0466

复制代码

看得出来loss到后面已经稳固了，阐明实现了收敛，可以画图看看
  5、可视化loss曲线

1. plt.plot(range(num_epoch), looses)
2. plt.xlabel('Epoch')
3. plt.ylabel('Loss')
4. plt.title('Training Loss over Epochs')
5. plt.show()

复制代码

  @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。