Pytorch 构建和训练神经网络（一）

xxy-mm

已于 2024-09-01 10:21:14 修改

阅读量267

点赞数 5

分类专栏：机器学习 Pytorch 文章标签：深度学习机器学习人工智能

于 2024-08-28 17:16:36 首次发布

本文链接：https://blog.csdn.net/2301_80026621/article/details/141645225

版权

机器学习同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

Pytorch

4 篇文章 0 订阅

订阅专栏

如何用 PyTorch 构建和训练一个基本的神经网络

在开始之前，我们先了解一下 PyTorch 的几个关键概念：(初学者不需要深入，知道有这些东西即可）

张量 (Tensor): 张量是 PyTorch 中的基本数据结构，类似于 NumPy 的 ndarray，但它们也可以在 GPU 上进行运算。
自动微分 (Autograd): PyTorch 提供了强大的自动微分功能，允许你通过简单的前向传播自动计算梯度，这是训练神经网络的核心。
神经网络 (nn.Module): PyTorch 的 torch.nn 模块提供了构建神经网络的基础模块，包括各种层（例如全连接层、卷积层）和激活函数。
优化器 (Optimizer): torch.optim 模块包含了多种优化算法（如 SGD、Adam），用于更新模型参数以最小化损失函数。
数据加载 (DataLoader): torch.utils.data.DataLoader 是一个工具，帮助你将数据集分批（batch）加载到模型中，尤其是当数据集很大时。

首先导入需要用的的库

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset

友情提醒：如果你使用的不同的优化器和损失函数，会对参数的类型有不同的要求。如果你使用了和例子中不同的损失函数等发生了类型或者其他错误，请上网查找解决方案。一般都是由于参数类型不符合，将 tensor 的类型进行转换即可。

1. 定义数据

创建一些随机数据作为输入和标签

X = torch.randn(100, 3)  # 100个样本，每个样本有3个特征
y = torch.randn(100, 1)  # 100个样本的目标值

将数据集转换为 TensorDataset，并使用 DataLoader 加载

dataset = TensorDataset(X, y)
dataloader = DataLoader(dataset, batch_size=10, shuffle=True)

2. 定义模型

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(3, 5)  # 全连接层，输入3个特征，输出5个特征
        self.fc2 = nn.Linear(5, 1)  # 全连接层，输入5个特征，输出1个特征

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # ReLU 激活函数
        x = self.fc2(x)
        return x

model = SimpleNN()

3. 定义损失函数和优化器

criterion = nn.MSELoss()  # 均方误差损失
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

4. 训练模型

for epoch in range(100):  # 训练100个epoch
    for batch_X, batch_y in dataloader:
        optimizer.zero_grad()  # 梯度清零
        output = model(batch_X)  # 前向传播
        loss = criterion(output, batch_y)  # 计算损失
        loss.backward()  # 反向传播计算梯度
        optimizer.step()  # 更新模型参数

    print(f'Epoch {epoch+1}, Loss: {loss.item()}')

5. 测试模型（示例）

with torch.no_grad():  # 在测试时不需要计算梯度
    test_X = torch.tensor([[0.5, -0.2, 0.1]])  # 输入一个测试样本
    test_output = model(test_X)
    print(f'Test Output: {test_output.item()}')

输出：

Epoch 1, Loss: 0.7683534622192383
Epoch 2, Loss: 0.4891282021999359
Epoch 3, Loss: 0.5800896883010864
Epoch 4, Loss: 1.342455267906189
Epoch 5, Loss: 0.5247911810874939
Epoch 6, Loss: 0.8952728509902954
Epoch 7, Loss: 0.829267144203186
Epoch 8, Loss: 1.3714759349822998
Epoch 9, Loss: 0.8819470405578613
Epoch 10, Loss: 0.8902752995491028
Epoch 11, Loss: 1.0910319089889526
Epoch 12, Loss: 1.5810422897338867
Epoch 13, Loss: 1.2618199586868286
Epoch 14, Loss: 0.7619099617004395
Epoch 15, Loss: 0.7575093507766724
Epoch 16, Loss: 1.0389002561569214
Epoch 17, Loss: 0.7607104182243347
Epoch 18, Loss: 1.107161521911621
Epoch 19, Loss: 1.039939284324646
Epoch 20, Loss: 0.9904875755310059
Epoch 21, Loss: 1.8228839635849
Epoch 22, Loss: 1.0611368417739868
Epoch 23, Loss: 1.0013045072555542
Epoch 24, Loss: 1.3398150205612183
Epoch 25, Loss: 1.2530044317245483
...
Epoch 98, Loss: 1.3919637203216553
Epoch 99, Loss: 0.7074191570281982
Epoch 100, Loss: 0.9921405911445618
Test Output: -0.11975270509719849
Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...