Python训练营打卡Day32-神经网络的训练

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
   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。

import torchtorch.cudaimport torch# 检查CUDA是否可用if torch.cuda.is_available(): print(\"CUDA可用！\") # 获取可用的CUDA设备数量 device_count = torch.cuda.device_count() print(f\"可用的CUDA设备数量: {device_count}\") # 获取当前使用的CUDA设备索引 current_device = torch.cuda.current_device() print(f\"当前使用的CUDA设备索引: {current_device}\") # 获取当前CUDA设备的名称 device_name = torch.cuda.get_device_name(current_device) print(f\"当前CUDA设备的名称: {device_name}\") # 获取CUDA版本 cuda_version = torch.version.cuda print(f\"CUDA版本: {cuda_version}\")else: print(\"CUDA不可用。\")# 仍然用4特征，3分类的鸢尾花数据集作为我们今天的数据集from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitimport numpy as np# 加载鸢尾花数据集iris = load_iris()X = iris.data # 特征数据y = iris.target # 标签数据# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 打印下尺寸print(X_train.shape)print(y_train.shape)print(X_test.shape)print(y_test.shape)# 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from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler()X_train = scaler.fit_transform(X_train)X_test = scaler.transform(X_test) #确保训练集和测试集是相同的缩放import torchimport torch.nn as nnimport torch.optim as optimclass MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Module def __init__(self): # 初始化函数 super(MLP, self).__init__() # 调用父类的初始化函数# 前三行是八股文，后面的是自定义的 self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层 self.relu = nn.ReLU() self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层# 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): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out# 实例化模型model = MLP()# 分类问题使用交叉熵损失函数criterion = nn.CrossEntropyLoss()# 使用随机梯度下降优化器optimizer = optim.SGD(model.parameters(), lr=0.01)# # 使用自适应学习率的化器# optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型num_epochs = 20000 # 训练的轮数# 用于存储每个 epoch 的损失值losses = []for epoch in range(num_epochs): # range是从0开始，所以epoch是从0开始 # 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) # output是模型预测值，y_train是真实标签 # 反向传播和优化 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 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()) # 打印训练信息 if (epoch + 1) % 100 == 0: # range是从0开始，所以epoch+1是从当前epoch开始，每100个epoch打印一次 print(f\'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}\')import matplotlib.pyplot as plt# 可视化损失曲线plt.plot(range(num_epochs), losses)plt.xlabel(\'Epoch\')plt.ylabel(\'Loss\')plt.title(\'Training Loss over Epochs\')plt.show()

@浙大疏锦行