当前位置：首页 > java >正文

python学习day33

java 2025/7/19 17:06:17

知识点回顾：
1.PyTorch和cuda的安装
2.查看显卡信息的命令行命令（cmd中使用）
3.cuda的检查
4.简单神经网络的流程
a.数据预处理（归一化、转换成张量）
b.模型的定义
i.继承nn.Module类
ii.定义每一个层
iii.定义前向传播流程
c.定义损失函数和优化器
d.定义训练流程
e.可视化loss过程

数据准备部分

预处理补充：
注意事项：
1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错。
2.回归任务中，标签需转为float类型（如torch.float32）。

#数据的准备
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np
import torch#数据的加载
iris = load_iris()
X = iris.data
y = iris.target#划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(X_train.shape, X_test.shape)
print(y_train.shape, y_test.shape)#归一化数据，深度学习对数据敏感
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)#数据转为张量
X_train = torch.FloatTensor(X_train)
X_test = torch.FloatTensor(X_test)
y_train = torch.LongTensor(y_train)
y_test = torch.LongTensor(y_test)

神经网络定义部分

import torch    #导入PyTorch
import torch.nn as nn #导入神经网络模块
import torch.optim as optim #导入优化器class MLP(nn.Module): #定义一个多层感知机模型def __init__(self): #初始化函数super(MLP, self).__init__() #调用父类的初始化函数
#前三行固定的，下面是自定义的self.fc1 = nn.Linear(4, 10) #第一层全连接层(输入到隐藏)，输入维度为4，输出维度为10self.relu  = nn.ReLU()  #激活函数self.fc2 = nn.Linear(10, 3)   #第二层全连接层（隐藏到输出），输入维度为10，输出维度为3# 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def forward(self, x):       #前向传播函数out = self.fc1(x)       #输入层out = self.relu(out)    #激活函数out = self.fc2(out)     #输出层return out
#实例化模型
model = MLP()

训练部分

#模型训练（CPU）
#定义损失函数和优化器#分类问题用交叉熵损失函数
criterion = nn.CrossEntropyLoss()#随机梯度下降
optimizer = optim.SGD(model.parameters(), lr=0.01)#训练模型
num_epochs= 20000 #训练轮数#存储epoch损失值
losses = []for epoch in range(num_epochs):#前向传播outputs = model.forward(X_train) #显式调用forward函数# 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loss = criterion(outputs, y_train) #outputs是模型预测，y_train真实标签#反向传播和优化optimizer.zero_grad()#清除梯度loss.backward() #反向传播计算梯度optimizer.step() #更新参数#记录损失值losses.append(loss.item())#打印损失值if (epoch+1) % 100 ==0:print(f"Epoch[{epoch+1}/{num_epochs}], Loss:{loss.item():.4f}")

结果可视化

#可视化结果
import matplotlib.pyplot as plt#可视化曲线
plt.plot(range(num_epochs), losses) #绘制损失函数曲线
plt.xlabel("epochs")
plt.ylabel("losses")
plt.title("losses vs epochs")
plt.show()