当前位置：首页 > news >正文

python学习打卡day33

news 2025/5/23 12:52:18

DAY 33 简单的神经网络

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
简单神经网络的流程
1. 数据预处理（归一化、转换成张量）
2. 模型的定义
  1. 继承nn.Module类
  2. 定义每一个层
  3. 定义前向传播流程
3. 定义损失函数和优化器
4. 定义训练流程
5. 可视化loss过程

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）。

作业：今日的代码，要做到能够手敲。这已经是最简单最基础的版本了。

import pandas as pd 
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
iris=load_iris()
X=iris.data
y=iris.target
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)
scaler=MinMaxScaler()
X_train=scaler.fit_transform(X_train)
X_test=scaler.transform(X_test)
X_train=torch.FloatTensor(X_train)
X_test=torch.FloatTensor(X_test)
y_train=torch.LongTensor(y_train)
y_test=torch.LongTensor(y_test)class MLP(nn.Module):def __init__(self):super(MLP,self).__init__()self.fc1=nn.Linear(4,10)self.relu=nn.ReLU()self.fc2=nn.Linear(10,3)def forward(self,x):out=self.fc1(x)out=self.relu(out)out=self.fc2(out)return out
model=MLP()criterion=nn.CrossEntropyLoss()
optimizer=optim.Adam(model.parameters(),lr=0.01)num_epochs=20000
losses=[]
for epoch in range(num_epochs):outputs=model.forward(X_train)loss=criterion(outputs,y_train)optimizer.zero_grad()loss.backward()optimizer.step()losses.append(loss.item())if(epoch+1)%100==0:print(f'Epoch[{epoch+1}/{num_epochs}],loss:{loss.item():.4f}')plt.plot(range(num_epochs), losses)#（）内对应的是X轴和Y轴的数据
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.show()