python学习打卡day35

#  nn.Module 的内置功能，直接输出模型结构
print(model)

MLP是nn.model中自带的模型，因此可以直接打印-------不推荐

nn.Module 的内置功能，返回模型的可训练参数迭代器 

# nn.Module 的内置功能，返回模型的可训练参数迭代器
for name, param in model.named_parameters():print(f"Parameter name: {name}, Shape: {param.shape}")

相较第一种清晰了很多 

1.2 torchsummary库的summary方法

from torchsummary import summary
# 打印模型摘要，可以放置在模型定义后面
summary(model, input_size=(4,))

 1.3 torchinfo库的summary方法

from torchinfo import summary
summary(model, input_size=(4, ))

torchifo库和torchsummary库的使用方法一致，但结果更清晰，因此更推荐 

可视化权重分配：

# 提取权重数据
import numpy as np
weight_data = {}
for name, param in model.named_parameters():if 'weight' in name:weight_data[name] = param.detach().cpu().numpy()# 可视化权重分布
fig, axes = plt.subplots(1, len(weight_data), figsize=(15, 5))
fig.suptitle('Weight Distribution of Layers')for i, (name, weights) in enumerate(weight_data.items()):# 展平权重张量为一维数组weights_flat = weights.flatten()# 绘制直方图axes[i].hist(weights_flat, bins=50, alpha=0.7)axes[i].set_title(name)axes[i].set_xlabel('Weight Value')axes[i].set_ylabel('Frequency')axes[i].grid(True, linestyle='--', alpha=0.7)plt.tight_layout()
plt.subplots_adjust(top=0.85)
plt.show()# 计算并打印每层权重的统计信息
print("\n=== 权重统计信息 ===")
for name, weights in weight_data.items():mean = np.mean(weights)std = np.std(weights)min_val = np.min(weights)max_val = np.max(weights)print(f"{name}:")print(f"  均值: {mean:.6f}")print(f"  标准差: {std:.6f}")print(f"  最小值: {min_val:.6f}")print(f"  最大值: {max_val:.6f}")print("-" * 30)

所以torchinfo打印summary+权重分布可视化是比较好的选择

2.进度条功能：手动和自动写法，让打印结果更加美观

2.1手动写法：

from tqdm import tqdm  # 先导入tqdm库
import time  # 用于模拟耗时操作# 创建一个总步数为10的进度条
with tqdm(total=10) as pbar:  # pbar是进度条对象的变量名# pbar 是 progress bar（进度条）的缩写，约定俗成的命名习惯。for i in range(10):  # 循环10次（对应进度条的10步）time.sleep(0.5)  # 模拟每次循环耗时0.5秒pbar.update(1)  # 每次循环后，进度条前进1步

可以在进度条中加入文字：

desc参数是在进度条最前方加中文字符

unit 参数的核心作用是明确进度条中每个进度单位的含义，使可视化信息更具可读性。在深度学习训练中，常用的单位包括：

- epoch：训练轮次（遍历整个数据集一次）。

- batch：批次（每次梯度更新处理的样本组）。

- sample：样本（单个数据点）

from tqdm import tqdm
import time# 创建进度条时添加描述（desc）和单位（unit）
with tqdm(total=5, desc="下载文件", unit="个") as pbar:# 进度条这个对象，可以设置描述和单位# desc是描述，在左侧显示# unit是单位，在进度条右侧显示for i in range(5):time.sleep(1)pbar.update(1)  # 每次循环进度+1

# 训练模型
num_epochs = 20000  # 训练的轮数# 用于存储每100个epoch的损失值和对应的epoch数
losses = []
epochs = []start_time = time.time()  # 记录开始时间# 创建tqdm进度条
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:# 训练模型for epoch in range(num_epochs):# 前向传播outputs = model(X_train)  # 隐式调用forward函数loss = criterion(outputs, y_train)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()# 记录损失值并更新进度条if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新进度条的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000个epoch更新一次进度条if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新进度条# 确保进度条达到100%if pbar.n < num_epochs:pbar.update(num_epochs - pbar.n)  # 计算剩余的进度并更新time_all = time.time() - start_time  # 计算训练时间
print(f'Training time: {time_all:.2f} seconds')

2.2自动更新 

from tqdm import tqdm
import time# 直接将range(3)传给tqdm，自动生成进度条
# 这个写法我觉得是有点神奇的，直接可以给这个对象内部传入一个可迭代对象，然后自动生成进度条
for i in tqdm(range(3), desc="处理任务", unit="epoch"):time.sleep(1)

for i in tqdm(range(3), desc="处理任务", unit="个")这个写法则不需要在循环中调用update()方法，更加简洁

3模型推理：

# 在测试集上评估模型，此时model内部已经是训练好的参数了
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度计算，可以提高模型推理速度outputs = model(X_test)  # 对测试数据进行前向传播，获得预测结果_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和对应的索引#这个函数返回2个值，分别是最大值和对应索引，参数1是在第1维度（行）上找最大值，_ 是Python的约定，表示忽略这个返回值，所以这个写法是找到每一行最大值的下标# 此时outputs是一个tensor，p每一行是一个样本，每一行有3个值，分别是属于3个类别的概率，取最大值的下标就是预测的类别# predicted == y_test判断预测值和真实值是否相等，返回一个tensor，1表示相等，0表示不等，然后求和，再除以y_test.size(0)得到准确率# 因为这个时候数据是tensor，所以需要用item()方法将tensor转化为Python的标量# 之所以不用sklearn的accuracy_score函数，是因为这个函数是在CPU上运行的，需要将数据转移到CPU上，这样会慢一些# size(0)获取第0维的长度，即样本数量correct = (predicted == y_test).sum().item() # 计算预测正确的样本数accuracy = correct / y_test.size(0)print(f'测试集准确率: {accuracy * 100:.2f}%')

测试集准确率: 96.67%

作业：

超参数调整

1.只调整隐藏层参数

    def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(4, 20)  # 输入层到隐藏层self.relu = nn.ReLU()self.fc2 = nn.Linear(20, 3)  # 隐藏层到输出层

损失并没有下降 

2.调整优化器

optimizer = optim.Adam(model.parameters(), lr=0.001)

3.优化器+隐藏层

 @浙大疏精行