神经网络的结构
多层感知机:输入层+隐藏层+输出层
最常用的优化算法:
-
随机梯度下降算法
-
Adam 算法
欠拟合(underfitting):模型不能降低训练误差,训练误差和验证误差都很严重,而且它们之间仅有一点差距。这可能意味着模型过于简单(即表达能力不足), 无法捕获试图学习的模式。
过拟合(overfitting):训练误差明显低于验证误差时。注意,过拟合并不总是一件坏事。 特别是在深度学习领域。
通常更关心验证误差,而不是训练误差和验证误差之间的差距。
训练数据集中的样本越少,就越有可能过拟合。
缓解过拟合的方法:权重衰退、暂退法
案例:神经网络代码
使用 MNIST 数字识别数据集
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
# 定义应用于数据的转换
transform = transforms.Compose([transforms.ToTensor()])
# 加载 MNIST 数据集
# 使用torchvision库中的datasets模块来加载MNIST数据集
# root参数指定了数据集保存的位置
# train=True表示加载训练集,train=False表示加载测试集
# download=True表示如果本地没有数据集,则自动从网上下载
# transform参数指定了应用于数据集的转换流程
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
# 设置超参数
# batch_size定义了每个批次的数据量
batch_size = 64
# input_size定义了输入数据的维度,由于MNIST图像是28x28像素,所以总的输入维度是28*28
input_size = 28 * 28
# hidden_size定义了神经网络中隐藏层的维度
hidden_size = 128
# output_size定义了输出数据的维度,对于MNIST数据集,由于有10个类别,所以输出维度是10
output_size = 10
# learning_rate定义了学习率,这是优化算法在更新权重时使用的步长
learning_rate = 0.001
# num_epochs定义了训练的轮数,即整个数据集被遍历的次数
num_epochs = 10
# 创建数据加载器
trainloader = DataLoader(trainset, batch_size=batch_size, shuffle=True)
testloader = DataLoader(testset, batch_size=batch_size, shuffle=False)
# 定义 MLP 模型
class MLP(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(MLP, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, output_size)
def forward(self, x):
x = x.view(x.size(0), -1)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
# 初始化模型
model = MLP(input_size, hidden_size, output_size)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# 训练循环
for epoch in range(num_epochs):
running_loss = 0.0
for i, data in enumerate(trainloader):
inputs, labels = data
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {running_loss / len(trainloader):.4f}')
# 测试
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'测试集的准确性: {(100 * correct / total):.2f}%')
Epoch [1/10], Loss: 0.3497
Epoch [2/10], Loss: 0.1622
Epoch [3/10], Loss: 0.1120
Epoch [4/10], Loss: 0.0851
Epoch [5/10], Loss: 0.0669
Epoch [6/10], Loss: 0.0539
Epoch [7/10], Loss: 0.0435
Epoch [8/10], Loss: 0.0362
Epoch [9/10], Loss: 0.0299
Epoch [10/10], Loss: 0.0242
测试集的准确性: 97.75%