小白的机器学习之路（四）
- 引子
- 神经网络的基本结构
- 反向传播算法和激活函数
- 优化器
- [如何通过pytorch搭建自己的BP network](#如何通过pytorch搭建自己的BP network)
引子
当前交通大数据业务的需要，需要承担一部分算法工作（数据处理），考虑到上次研究深度学习算法还是两年前，我薄弱的基础已经无法支持当前的工作，通过前期的学习准备（其它算法工程师和chatgpt 的帮助），制定了五天的初步复习计划----初步定为：
目标四：
- 学习深度学习基础：了解神经网络的基本结构、反向传播算法和激活函数等。
目标任务：使用深度学习算法构建一个简单的神经网络模型，并训练模型。
学习计划小贴士：
-
每天定期复习前几天的内容，巩固知识。
-
在学习过程中遇到问题及时查阅资料，或向论坛、社区寻求帮助。
-
尝试在学习过程中动手实践，通过编写代码来加深对算法和原理的理解。
-
学习过程中保持积极的学习态度和耐心，机器学习和深度学习是复杂的领域，需要持续学习和实践。
-
学习机器学习基础：了解机器学习的定义、分类和基本原理。
-
掌握数据预处理：学习数据清洗、特征选择和特征工程的基本方法。
准备一份草稿，后面更新
神经网络的基本结构
反向传播算法和激活函数
优化器
如何通过pytorch搭建自己的BP network
这里用到一个新的接口 torch.nn.Module
解释一下，torch.nn给了我们一个快速搭建bp的脚手架，我们可以直接设定参数来选择层数、神经元个数、每层的功能等；
对应的api如下
这里，我搭建一个简单网络进行处理，输入一些数据进行测试：
java
import torch
import torchvision.datasets
from torch.utils.data import Dataset
from PIL import Image
from torch import nn
import torch.nn.functional as F
import numpy as np
from torch.utils.data import DataLoader
java
class MyData(nn.Module):
def __init__(self) -> None:
super().__init__()
self.conv1 = nn.Conv2d(1,20,1)
self.conv2 = nn.Conv2d(20,20,5)
def forward(self, input):
output = F.relu(self.conv1(input))
output = F.relu(self.conv2(output))
return output
dataset = torchvision.datasets.CIFAR10("../data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
dataloader = DataLoader(dataset, batch_size=64)
MyData = MyData()
x = torch.Tensor([[
[[0.1000, 0.1000, 0.1000, 0.1000, 0.5000],
[0.1000, 0.1000, 0.1000, 0.1000, 0.5000],
[0.1000, 0.1000, 0.1000, 0.1000, 0.5000],
[0.1000, 0.1000, 0.1000, 0.1000, 0.5000],
[0.1000, 0.1000, 0.1000, 0.1000, 0.5000]]
]])
print(x)
print("ouput:", MyData(x))结果分析：
tensor([[[[0.1000, 0.1000, 0.1000, 0.1000, 0.5000],
0.1000, 0.1000, 0.1000, 0.1000, 0.5000\], \[0.1000, 0.1000, 0.1000, 0.1000, 0.5000\], \[0.1000, 0.1000, 0.1000, 0.1000, 0.5000\], \[0.1000, 0.1000, 0.1000, 0.1000, 0.5000\]\]\]\]) ouput: tensor(\[\[\[\[0.0000\]\], \[\[0.1192\]\], \[\[0.0000\]\], \[\[0.0000\]\], \[\[0.0000\]\], \[\[0.0115\]\], \[\[0.0885\]\], \[\[0.0000\]\], ```java self.conv1 = nn.Conv2d(1,20,1) self.conv2 = nn.Conv2d(20,20,5) ``` 这里的`Conv2d(1,20,1)`是指进行卷积，输入通道数1，输出通道为20，我们的卷积核为1\*1； 最后进过两轮卷积，最后生成对应的结果； 卷积广泛应用于图像分类，下一章我们将讲到一个**图像分类的小项目；** 图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。 卷积神经网络（CNN）是用于图像分类问题的最流行的神经网络模型。CNN背后的一个重要思想是，对图像的局部理解是好的。实际的好处是，参数少将大大缩短了学习所需的时间，并减少了训练模型所需的数据量。CNN具有足够的权重来查看图像的小块，而不是来自每个像素的完全连接的权重网络。