Day33打卡 @浙大疏锦行

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）

      # 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_iris
      from sklearn.model_selection import train_test_split
      import 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)
      (120, 4)
      (120,)
      (30, 4)
      (30,)
      # 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 MinMaxScaler
      scaler = 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
      # 将数据转换为 PyTorch 张量，因为 PyTorch 使用张量进行训练
      # y_train和y_test是整数，所以需要转化为long类型，如果是float32，会输出1.0 0.0
      X_train = torch.FloatTensor(X_train)
      y_train = torch.LongTensor(y_train)
      X_test = torch.FloatTensor(X_test)
      y_test = torch.LongTensor(y_test)

   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

         import torch
         import torch.nn as nn
         import torch.optim as optim
         class 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()
         其实模型层的写法有很多，relu也可以不写，在后面前向传播的时候计算下即可，因为relu其实不算一个层，只是个计算而已。
         
             # def forward(self,x): #前向传播
             #     x=torch.relu(self.fc1(x)) #激活函数
             #     x=self.fc2(x) #输出层不需要激活函数，因为后面会用到交叉熵函数cross_entropy
             #     return x

   3. 定义损失函数和优化器

      # 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)

   4. 定义训练流程

      # 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}')

   5. 可视化loss过程

      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()

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）。

@浙大疏锦行