在线p图编辑器六安网站优化

在线p图编辑器,六安网站优化,wordpress 排除指定分类,开发大型网站的流程图MLP神经网络的训练 PyTorch的安装 我们后续完成深度学习项目中#xff0c;主要使用的包为pytorch#xff0c;所以需要安装#xff0c;你需要去配置一个新的环境。 未来在复现具体项目时候#xff0c;新环境命名最好是python版本_pytorch版本_cuda版本#xff0c;例如 p…MLP神经网络的训练PyTorch的安装我们后续完成深度学习项目中主要使用的包为pytorch所以需要安装你需要去配置一个新的环境。未来在复现具体项目时候新环境命名最好是python版本_pytorch版本_cuda版本例如 py3.10_pytorch2.0_cuda12.2 ,因为复杂项目对运行环境有要求所以需要安装对应版本的包。我们目前主要不用这么严格先创建一个命名为DL的新环境即可,也可以沿用之前的环境conda create -n DL python3.8 conda env list conda activate DL conda install jupyter 如果conda无法安装jupyter就参考环境配置文档的pip安装方法 pip insatll scikit-learn 然后对着下列教程安装pytorch深度学习主要是简单的并行计算所以gpu优势更大简单的计算cpu发挥不出来他的价值我们之前说过显卡和cpu的区别cpu是1个博士生能够完成复杂的计算串行能力强。gpu是100个小学生能够完成简单的计算人多计算的快。这里的gpu指的是英伟达的显卡它支持cuda可以提高并行计算的能力。如果你是amd的显卡、苹果的电脑那样就不需要安装cuda了直接安装pytorch-gpu版本即可。cuda只支持nvidia的显卡。安装教程或者去b站随便搜个pytorch安装视频。怕麻烦直接安装cpu版本的pytorch跑通了用云服务器版本的pytorch-gpugpu的pytorch还需要额外安装cuda cudnn组件import torch torch.cudaimport torch # 检查CUDA是否可用iftorch.cuda.is_available():print(CUDA可用)# 获取可用的CUDA设备数量 device_counttorch.cuda.device_count()print(f可用的CUDA设备数量: {device_count})# 获取当前使用的CUDA设备索引 current_devicetorch.cuda.current_device()print(f当前使用的CUDA设备索引: {current_device})# 获取当前CUDA设备的名称 device_nametorch.cuda.get_device_name(current_device)print(f当前CUDA设备的名称: {device_name})# 获取CUDA版本 cuda_versiontorch.version.cudaprint(fCUDA版本: {cuda_version})else:print(CUDA不可用。)数据的准备# 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 irisload_iris()Xiris.data # 特征数据 yiris.target # 标签数据 # 划分训练集和测试集 X_train,X_test,y_train,y_testtrain_test_split(X,y,test_size0.2,random_state42)# 打印下尺寸print(X_train.shape)print(y_train.shape)print(X_test.shape)print(y_test.shape)# 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 scalerMinMaxScaler()X_trainscaler.fit_transform(X_train)X_testscaler.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1.00.0X_traintorch.FloatTensor(X_train)y_traintorch.LongTensor(y_train)X_testtorch.FloatTensor(X_test)y_testtorch.LongTensor(y_test)模型架构定义定义一个简单的全连接神经网络模型包含一个输入层、一个隐藏层和一个输出层。定义层数定义前向传播顺序import torch import torch.nn as nn import torch.optim as optimclassMLP(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.fc1nn.Linear(4,10)# 输入层到隐藏层 self.relunn.ReLU()self.fc2nn.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 defforward(self,x):outself.fc1(x)outself.relu(out)outself.fc2(out)returnout # 实例化模型 modelMLP()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。模型训练CPU版本定义损失函数和优化器# 分类问题使用交叉熵损失函数 criterionnn.CrossEntropyLoss()# 使用随机梯度下降优化器 optimizeroptim.SGD(model.parameters(),lr0.01)# # 使用自适应学习率的化器 # optimizeroptim.Adam(model.parameters(),lr0.001)开始循环训练实际上在训练的时候可以同时观察每个epoch训练完后测试集的表现测试集的loss和准确度# 训练模型 num_epochs20000# 训练的轮数 # 用于存储每个 epoch 的损失值 losses[]forepochinrange(num_epochs):# range是从0开始所以epoch是从0开始 # 前向传播 outputsmodel.forward(X_train)# 显式调用forward函数 # outputsmodel(X_train)# 常见写法隐式调用forward函数其实是用了model类的__call__方法 losscriterion(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(epoch1)%1000:# range是从0开始所以epoch1是从当前epoch开始每100个epoch打印一次print(fEpoch [{epoch1}/{num_epochs}], Loss: {loss.item():.4f})