Python打卡训练营day33——2025.05.22

知识点回顾:

PyTorch和cuda的安装

查看显卡信息的命令行命令(cmd中使用)

cuda的检查

简单神经网络的流程

数据预处理(归一化、转换成张量)

模型的定义

继承nn.Module类

定义每一个层

定义前向传播流程

定义损失函数和优化器

定义训练流程

可视化loss过程

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)。

作业:今日的代码,要做到能够手敲。这已经是最简单最基础的版本了。

python 复制代码
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np
 
if torch.cuda.is_available():
    print("CUDA可用!")
    # 获取可用的CUDA设备数量
    device_count = torch.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_device = torch.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_name = torch.cuda.get_device_name(current_device)
    print(f"当前CUDA设备的名称: {device_name}")
    # 获取CUDA版本
    cuda_version = torch.version.cuda
    print(f"CUDA版本: {cuda_version}")
else:
    print("CUDA不可用。")
 
# 加载4特征,3分类的鸢尾花数据集
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)
 
# 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
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
 
# 转换为PyTorch张量
X_train=torch.FloatTensor(X_train) 
X_test=torch.FloatTensor(X_test) 
y_train=torch.LongTensor(y_train) 
y_test=torch.LongTensor(y_test) 
 
# print(X_train.shape)
# print(y_train.shape)
# print(X_test.shape)
# print(y_test.shape)
 
class MLP(nn.Module): # 定义一个多层感知机MLP模型,继承nn.Module类
    def __init__(self):
        super(MLP,self).__init__() #调用父类的构造函数
        self.fc1=nn.Linear(4,10) #输入层到隐藏层,4个特征,10个神经元
        self.relu=nn.ReLU() #激活函数
        self.fc2=nn.Linear(10,3) #隐藏层到输出层,10个神经元,3个类别
    
    def forward(self,x): #前向传播
        out=self.fc1(x) #输入层到隐藏层
        out=self.relu(out) #激活函数
        out=self.fc2(out) #隐藏层到输出层
        return out #返回输出层的结果
 
model=MLP() #实例化模型
 
criterion=nn.CrossEntropyLoss() #定义损失函数,交叉熵损失函数,适用于多分类问题
 
optimizer=optim.SGD(model.parameters(),lr=0.01) #定义优化器,随机梯度下降,学习率为0.01
 
num_epochs=20000 #定义训练轮数
losses=[] #定义一个列表,用于存储损失值
for epoch in range(num_epochs):
    outputs=model.forward(X_train) #前向传播,得到输出层的结果
    loss=criterion(outputs,y_train) #计算损失值,y_train是真实标签,outputs是模型的预测值
    losses.append(loss.item()) #记录损失值
 
    optimizer.zero_grad() #清空梯度
    loss.backward() #反向传播,计算梯度
    optimizer.step() #更新参数
 
    if (epoch+1)%1000==0: #每10000轮输出一次损失值
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
 
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()

@浙大疏锦行

相关推荐
chh5632 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval3 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi3 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿4 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方4 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI5 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP5 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
泯泷5 小时前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
罗西的思考5 小时前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
屿华AI5 小时前
AUTOSAR 实战-诊断工具 | 用 Claude Code 开发诊断测试工具:AI 协作开发实践
人工智能·测试工具