文章目录
一、搭建pytorch神经网络进行气温预测
1）基础搭建
- 加载模块代码
-
读取气温数据
-
参数解释
-
查看数据维度
print('数据维度', features.shape)
-
时间处理字符串
-
准备用数据画曲线图
- 对周几这种数据做独热编码（把数据转成做数值的形式）
2）实际操作标识特征和标签
- 备注
①标签labels就是y=kx+b中的y，只要标识出来
②把标签在x中去掉，也就是在特征中去掉标签（特征就是x）
③转换成合适格式，也就是把数据转成np.array的格式
④features.shape里面显示了数据有384行，特征有14个
3）构建成标准化的预处理数据（做标准化收敛速度更快）
二、按照建模顺序构建完成网络架构
1）np.array格式的标签(y)和特征(x)转为tensor格式数据
2）显示特征14个转为128个隐式特征weight和偏执biases128个去微调，并设置学习率
- 注意
这是回归任务，所以最终要得到一个实际的值，所以weight2是【128，1】，则偏置参数biases2也只是只有1个
3）for循环batchsize（1000）次处理数据
①先计算隐层结果
python
hidden = x.mm(weights) + biases②按照惯例在结果之前加入激活函数relu
hidden = torch.relu(hidden)
③收敛把w2乘过来计算
predictins = hiddenmm(weights2) + biases2
④计算损失
（预测值减去真实值，再做平均方误差）
python
loss = torch.mean((predictions - y) ** 2)
#放到数组,数据转为numpy格式
losses.append(loss.data.numpy())
⑤反向传播并更新参数（根据损失去更新最新的w1、B1,w2、B2）
python
loss.backward()
# 更新参数
weights.data.add_(- learning_rate * weights.grad.data)
biases.data.add_(- learning_rate * biases.grad.data)
weights2.data.add_(- learning_rate * weights2.grad.data)
biases2.data.add_(- learning_rate * biases2.grad.data)
⑥每次迭代记得清空计算出来的数值(记得计算梯度时都需要清空参数)
python
weights.grad.data.zero_()
biases.grad.data.zero_()
weights2.grad.data.zero_()
biases2.grad.data.zero_()三、简化代码来训练网络模型
1）参数解释
input_size：总共样本数量
hidden_size：隐藏特征个数
output_size：输出结果个数
batch_size：16（一次训练的数据数量，之前是全部读进去）
2）实际训练简化代码
①构建网络模型（这里用的Adam动态调整学习率）
②训练网络
3）预测训练结果并画图
- 备注
①其实就是转为numpy格式画图
②x轴为时间
③这里reshape(-1)表示一列的意思
④真实值用蓝色表示，预测值用红色表示
- 结果展示
四、分类任务概述
-
与之前的回归模型的区别
①得到的结果是不同的
②使用的损失函数也是不同的
-
学习目的：Mnist分类任务
①网络基本构建与训练方法，常用函数解析
②torch.nn.functional模块
③nn.Module模块
1）下载并解压Mnist数据集
-
下载
-
解压
-
看数据集大概什么样子
可以看到787是每个样本的像素点个数，可以看成是787个特征（下面是打印5这个数字）
2）分类任务的原理
-
原理
说白了就是判断这个数字属于1到10哪个类别的概率，这里可以看到9属于9的概率是最高的87%
-
流程
3）nn.functional模块和nn.Module模块使用介绍
①有可学习的参数用Module：卷积层、
②其他情况用functional：激活函数、损失函数（分类任务一般用交叉相乘作为损失函数：cross_entropy）
五、构建分类网络
1）把x和y都转成tensor格式
2）定义函数并使用
- 定义函数
- 定义参数
bs：也就是batch_size - 实际训练流程，并打印结果
这里model(xb)得出预测值，yb是真实值
3）创建一个model来简化模型
- 备注
①必须继承nn.Module并在构造函数调用nn.Module的构造函数
②无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
③nn.Module中的可学习参数可以通过named_parameters()或parameters()返回迭代器
④这里的forward方法，自己会反向传播
六、DataSet模块介绍与应用方法
-
模块介绍来把数据转为数据集
①tensorDataSet
②DataLoader
-
获取数据接口
-
loss_batch不仅要计算损失值还要清零梯度和反向传播（这些就是batch Normalization 和 Drop out）
-
获得模型的方法
-
开始测试黄金二获得结果
七、卷积神经网络应用领域和卷积作用
1）卷积神经网络能做的事
2）卷积神经网络NN和传统神经网络CNN区别
3）整体架构
①输入层：输入的图片数据
②卷积层：卷积就是提取特征
③池化层：池化就是压缩特征
④全连接层（最终得出10个结果的概率排序，全连接就是两次w和b）
4）卷积做了一件什么事？
①把HxWxC分割成不同的区域
②对区域提取不同的特征
八、卷积的作用（略）
九、卷积特征值计算方法
1）图像颜色通道（RGB）
RGB三个通道分开去计算
2）实际提取特征流程
①这里H和W都是7，RGB代表3，所以图片的是7x7x3
②filter W0（3x3x3），这里3x3就是一个卷积核，前面的3x3表示多大区域选一个特征值，最后一个3和前面的输入量的最后一个3必须是一样的（这里红色的是特征图）
③计算方法：
内积：相对应位置相乘并相加，如下图是R通道得出0，最终RGB加起来就是2
④还有偏置项bias：
W：（0+2+0）
Bias：b0为1
也就是说0+2+0+b0 = 2+1=3
3）利用不同卷积核得到不同特征图（28x28x6，6张图）
十、得到特征图表示
十一、步长与卷积核大小对结果影响
1）只做一次特征图就够了吗？
不断做卷积，得到堆叠的卷积层
2）卷积层涉及参数
①滑动窗口步长（
（1）步长大，得到图越小；
（2）小步长的特征比较丰富
（3）文本任务的步长不固定）
②卷积核尺寸（3x3和4x4，一般都是3x3）
③边缘填充
④卷积核个数