全文共2392字，预计学习时长11分钟
图源：unsplash
人工智能，深度学习，这些词是不是听起来就很高大上，充满了神秘气息？仿佛是只对数学博士开放的高级领域？
错啦！在B站已经变成学习网站的今天，还有什么样的教程是网上找不到的呢？深度学习从未如此好上手，至少实操部分是这样。
假如你只是了解人工神经网络基础理论，却从未踏足如何编写，跟着本文一起试试吧。你将会对如何在PyTorch 库中执行人工神经网络运算，以预测原先未见的数据有一个基本的了解。
这篇文章最多10分钟就能读完；如果要跟着代码一步步操作的话，只要已经安装了必要的库，那么也只需15分钟。相信我，它并不难。
长话短说，快开始吧！
导入语句和数据集
在这个简单的范例中将用到几个库：
· Pandas:用于数据加载和处理
· Matplotlib: 用于数据可视化处理
· PyTorch: 用于模型训练
· Scikit-learn: 用于拆分训练集和测试集
图源：unsplash
如果仅仅是想复制粘贴的话，以下几条导入语句可供参考：
import torchimport torch.nn as nnimport torch.nn.functional as Fimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_split
至于数据集，Iris数据集可以在这个URL上找到。下面演示如何把它直接导入
Pandas：iris = pd.read_csv( https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/data/iris.csv )iris.head()
前几行如下图所示：
现在需要将 Name列中鸢尾花的品种名称更改或者重映射为分类值。——也就是0、1、2。以下是步骤说明：
mappings = { Iris-setosa : 0, Iris-versicolor : 1, Iris-virginica : 2}iris[ Name ] = iris[ Name ].apply(lambda x: mappings[x])
执行上述代码得到的DataFrame如下：
这恭喜你，你已经成功地迈出了第一步！
拆分训练集和测试集
在此环节，将使用 Scikit-Learn库拆分训练集和测试集。随后, 将拆分过的数据由 Numpy arrays 转换为PyTorchtensors。
图源：unsplash
首先，需要将Iris 数据集划分为“特征”和“ 标签集” ——或者是x和y。Name列是因变量而其余的则是“特征”（或者说是自变量）。
接下来笔者也将使用随机种子，所以可以直接复制下面的结果。代码如下：
X = iris.drop( Name , axis=1).valuesy = iris[ Name ].valuesX_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=42)X_train = torch.FloatTensor(X_train)X_test = torch.FloatTensor(X_test)y_train = torch.LongTensor(y_train)y_test = torch.LongTensor(y_test)
如果从 X_train 开始检查前三行，会得到如下结果：
从 y_train开始则得到如下结果：
地基已经打好，下一环节将正式开始搭建神经网络。
定义神经网络模型
模型的架构很简单。重头戏在于神经网络的架构：
1.输入层 （4个输入特征（即X所含特征的数量），16个输出特征（随机））
2.全连接层 （16个输入特征（即输入层中输出特征的数量），12个输出特征（随机））
3.输出层（12个输入特征（即全连接层中输出特征的数量），3个输出特征（即不同品种的数量）
大致就是这样。除此之外还将使用ReLU 作为激活函数。下面展示如何在代码里执行这个激活函数。
class ANN(nn.Module): def __init__(self): super().__init__() self.fc1 =nn.Linear(in_features=4, out_features=16) self.fc2 =nn.Linear(in_features=16, out_features=12) self.output =nn.Linear(in_features=12, out_features=3) def forward(self, x): x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.output(x) return x
PyTorch使用的面向对象声明模型的方式非常直观。在构造函数中，需定义所有层及其架构，若使用forward()，则需定义正向传播。
接着创建一个模型实例，并验证其架构是否与上文所指的架构相匹配：
model = ANN()model
在训练模型之前，需注明以下几点：
· 评价标准:主要使用 CrossEntropyLoss来计算损失
· 优化器:使用学习率为0.01的Adam 优化算法
下面展示如何在代码中执行CrossEntropyLoss和Adam ：
criterion = nn.CrossEntropyLoss()optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
令人期盼已久的环节终于来啦——模型训练！
模型训练
这部分同样相当简单。模型训练将进行100轮, 持续追踪时间和损失。每10轮就向控制台输出一次当前状态——以指出目前所处的轮次和当前的损失。
代码如下：
%%timeepochs = 100loss_arr = []for i in range(epochs): y_hat = model.forward(X_train) loss = criterion(y_hat, y_train) loss_arr.append(loss) if i % 10 == 0: print(f Epoch: {i} Loss: {loss} ) optimizer.zero_grad() loss.backward() optimizer.step()
好奇最后三行是干嘛用的吗？答案很简单——反向传播——权重和偏置的更新使模型能真正地“学习”。
以下是上述代码的运行结果:
进度很快——但不要掉以轻心。
如果对纯数字真的不感冒，下图是损失曲线的可视化图（x轴为轮次编号，y轴为损失）：
模型已经训练完毕，现在该干嘛呢？当然是模型评估。需要以某种方式在原先未见的数据上对这个模型进行评估。
模型评估
在评估过程中，欲以某种方式持续追踪模型做出的预测。需要迭代 X_test并进行预测，然后将预测结果与实际值进行比较。
这里将使用 torch.no_grad()，因为只是评估而已——无需更新权重和偏置。
总而言之，代码如下：
preds = []with torch.no_grad(): for val in X_test: y_hat = model.forward(val) preds.append(y_hat.argmax().item())
现在预测结果被存储在 preds阵列。可以用下列三个值构建一个Pandas DataFrame。
· Y:实际值
· YHat: 预测值
· Correct:对角线，对角线的值为1表示Y和YHat相匹配，值为0则表示不匹配
代码如下：
df = pd.DataFrame({ Y : y_test, YHat :preds})df[ Correct ] = [1 if corr == pred else 0 for corr, pred in zip(df[ Y ],df[ YHat ])]
df 的前五行如下图所示：
下一个问题是，实际该如何计算精确度呢？
很简单——只需计算 Correct列的和再除以 df的长度：
df[ Correct ].sum() / len(df)>>> 1.0
此模型对原先未见数据的准确率为100%。但需注意这完全是因为Iris数据集非常易于归类，并不意味着对于Iris数据集来说，神经网络就是最好的算法。NN对于这类问题来讲有点大材小用，不过这都是以后讨论的话题了。
图源：unsplash
这可能是你写过最简单的神经网络，有着完美简洁的数据集、没有缺失值、层次最少、还有神经元！本文没有什么高级深奥的东西，相信你一定能够掌握它。
推荐阅读专题
留言点赞发个朋友圈
我们一起分享AI学习与发展的干货
编译组：张泊玉、刘露敏
相关链接：
https://towardsdatascience.com/your-first-neural-network-in-pytorch-725631ae0fc
如转载，请后台留言，遵守转载规范
推荐文章阅读
长按识别二维码可添加关注
读芯君爱你
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
