要求
【第一部分】视频学习心得及问题总结 了解深度学习相关概念,深度学习与人工智能、机器学习间的关系,神经网络学习与实践应用。
【第二部分】代码练习 在谷歌 Colab 上完成 pytorch 代码练习中的 2.1 pytorch基础练习、2.2 螺旋数据分类,关键步骤截图,并附一些自己的想法和解读。
学习总结
一、pytorch基础练习
由此可见,使用torch.Tensor()创建的矩阵,默认数据类型是float,在做标量积时应注意两个矩阵数据类型要匹配。
统一数据类型的其中两种方法:
v = torch.arange(1, 5, dtype = torch.float)
print(m @ v)
m.int()
二、 螺旋数据分类
1.一些准备工作
下载plot_lib.py
!wget https://raw.githubusercontent.com/Atcold/pytorch-Deep-Learning/master/res/plot_lib.py
导入库,指定运行设备
# 螺旋数据分类
import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default
# 指定运行使用的设备,torch可以在GPU上运行cuda,如果cuda空闲,则选择cuda,否则再用cpu
device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("device:",device)
初始化重要参数,生成平面螺旋图
# 初始化随机数种子。神经网络的参数都是随机初始化的,
# 不同的初始化参数往往会导致不同的结果,当得到比较好的结果时我们通常希望这个结果是可以复现的,
# 因此,在pytorch中,通过设置随机数种子也可以达到这个目的
seed = 12345
random.seed(seed)
torch.manual_seed(seed)
N = 1000 # 每类样本的数量,红黄蓝各1000个点,共3000个点
D = 2 # 每个样本的特征维度,坐标(x,y)
C = 3 # 样本的类别,红黄蓝
H = 100 # 神经网络里隐层单元的数量
# 初始化样本特征
X = torch.zeros(N * C, D).to(device)
Y = torch.zeros(N * C, dtype=torch.long).to(device)
for c in range(C):
index = 0
t = torch.linspace(0, 1, N) # 在[0,1]间均匀的取10000个数,赋给t
# 下面的代码不用理解太多,总之是根据公式计算出三类样本(可以构成螺旋形)
# torch.randn(N) 是得到 N 个均值为0,方差为 1 的一组随机数,注意要和 rand 区分开
inner_var = torch.linspace( (2*math.pi/C)*c, (2*math.pi/C)*(2+c), N) + torch.randn(N) * 0.2
# 每个样本的(x,y)坐标都保存在 X 里
# Y 里存储的是样本的类别,分别为 [0, 1, 2]
for ix in range(N * c, N * (c + 1)):
X[ix] = t[index] * torch.FloatTensor((math.sin(inner_var[index]), math.cos(inner_var[index])))
Y[ix] = c
index += 1
print("Shapes:")
print("X:", X.size())
print("Y:", Y.size())
plot_data(X, Y)
2.构造线性模型
# 构建线性模型分类
learning_rate = 1e-3
#学习率要适中
lambda_l2 = 1e-5
# nn 包用来创建线性模型
# 每一个线性模型都包含 weight 和 bias
model = nn.Sequential(
nn.Linear(D, H),
nn.Linear(H, C)
)
model.to(device) # 把模型放到GPU上
# nn 包含多种不同的损失函数,这里使用的是交叉熵(cross entropy loss)损失函数,分类中用的最多的损失函数
criterion = torch.nn.CrossEntropyLoss()
# 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
#注意:SGD改为Adom,注意二者区别
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)
# 开始训练
for t in range(1000):
# 把数据输入模型,得到预测结果
y_pred = model(X)
# 计算损失和准确率
loss = criterion(y_pred, Y)
score, predicted = torch.max(y_pred, 1)
acc = (Y == predicted).sum().float() / len(Y)
print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
display.clear_output(wait=True)
# 反向传播前把梯度置 0
optimizer.zero_grad()
# 反向传播优化
loss.backward()
# 更新全部参数
optimizer.step()
运行结果:
尝试理解一下这个预测过程:
3.构建两层神经网络分类
和上面模型不同的是,在两层之间加入了一个 ReLU 激活函数
关于ReLU激活函数:
代码改动的部分:
model = nn.Sequential(
nn.Linear(D, H),
nn.ReLU(), # 加入了激活函数ReLU
nn.Linear(H, C)
)
运行结果:
使用两层神经网络可以使逼近效果显著提升,达到了0.95左右,但仍有提升空间,尝试增加层数至三层
3.构建三层神经网络分类
代码改动部分:
model = nn.Sequential(
nn.Linear(D, H),
nn.ReLU(),
nn.Linear(H,2*H), #加一层
nn.ReLU(), # 激活函数
nn.Linear(2*H, C)
)
运行结果:
这样损失降低到0.006,正确率达到了0.999
总结
什么情况下线性模型效果不好
进行优化的思路
本例中增加神经网络的节点数和层数可以使准确率显著提升
训练轮次,损失函数,线性,激活函数,
1.sigmold激活函数
2.轮次增加,收敛慢梯度消失现象,
3.换成ReLU函数,需要的轮次数降低
4.最后增加一个nn.Softmax()函数
归一化逻辑回归,所的结果为分在某个类的概率
适用于类别很多的情况
5.增加深度,但要注意梯度消失现象。