PyTorch高阶技巧:构建非线性分类器与梯度优化全解析

本文较长,建议点赞收藏,以免遗失。更多AI大模型应用开发学习视频及资料,尽在聚客AI学院

一. 单层神经元实现线性回归

1.1 线性模型数学原理

线性回归模型定义为:

y=w⋅x+by=w⋅x+b

其中:

  • ww:权重(Weight)

  • bb:偏置(Bias)

  • xx:输入特征

  • yy:预测输出

目标:通过最小化均方误差(MSE)损失函数学习参数:

1.2 PyTorch实现代码

python 复制代码
import torch  
import matplotlib.pyplot as plt  
# 生成数据  
X = torch.linspace(0, 10, 100).reshape(-1, 1)  
y = 3 * X + 2 + torch.randn(100, 1) * 2  # 添加噪声  
# 定义模型  
class LinearModel(torch.nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.linear = torch.nn.Linear(1, 1)  # 单层神经元  
    def forward(self, x):  
        return self.linear(x)  
model = LinearModel()  
criterion = torch.nn.MSELoss()  
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  
# 训练循环  
losses = []  
for epoch in range(100):  
    pred = model(X)  
    loss = criterion(pred, y)  
    optimizer.zero_grad()  
    loss.backward()  
    optimizer.step()  
    losses.append(loss.item())  
# 可视化  
plt.scatter(X.numpy(), y.numpy(), label='Data')  
plt.plot(X.numpy(), model(X).detach().numpy(), 'r', label='Fitted Line')  
plt.legend()  
plt.show()

二. 线性模型实现二分类

2.1 逻辑回归原理

将线性输出通过Sigmoid函数映射到(0,1)区间:

损失函数使用二元交叉熵(BCE):

2.2 代码实现与决策边界

python 复制代码
from sklearn.datasets import make_moons  
# 生成二分类数据集  
X, y = make_moons(n_samples=200, noise=0.1)  
X = torch.tensor(X, dtype=torch.float32)  
y = torch.tensor(y, dtype=torch.float32).reshape(-1, 1)  
# 定义模型(增加Sigmoid激活)  
class LogisticRegression(torch.nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.linear = torch.nn.Linear(2, 1)  
        self.sigmoid = torch.nn.Sigmoid()  
    def forward(self, x):  
        return self.sigmoid(self.linear(x))  
model = LogisticRegression()  
criterion = torch.nn.BCELoss()  
optimizer = torch.optim.Adam(model.parameters(), lr=0.1)  
# 训练  
for epoch in range(1000):  
    pred = model(X)  
    loss = criterion(pred, y)  
    optimizer.zero_grad()  
    loss.backward()  
    optimizer.step()  
# 可视化决策边界  
def plot_decision_boundary(model, X, y):  
    x_min, x_max = X[:,0].min()-0.5, X[:,0].max()+0.5  
    y_min, y_max = X[:,1].min()-0.5, X[:,1].max()+0.5  
    xx, yy = torch.meshgrid(torch.linspace(x_min, x_max, 100),  
                           torch.linspace(y_min, y_max, 100))  
    grid = torch.cat((xx.reshape(-1,1), yy.reshape(-1,1)), dim=1)  
    probs = model(grid).reshape(xx.shape)  
    plt.contourf(xx, yy, probs > 0.5, alpha=0.3)  
    plt.scatter(X[:,0], X[:,1], c=y.squeeze(), edgecolors='k')  
    plt.show()  
plot_decision_boundary(model, X, y)

关键输出

  • 训练后准确率 > 85%

  • 决策边界图显示线性分类器的局限性

三. 多层感知机(MLP)手动推导与实现

3.1 手动推导反向传播

网络结构:输入层(2) → 隐藏层(4, ReLU) → 输出层(1, Sigmoid)

前向传播

反向传播梯度计算

3.2 PyTorch自动梯度实现

python 复制代码
class MLP(torch.nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.fc1 = torch.nn.Linear(2, 4)  
        self.fc2 = torch.nn.Linear(4, 1)  
        self.relu = torch.nn.ReLU()  
        self.sigmoid = torch.nn.Sigmoid()  
    def forward(self, x):  
        x = self.relu(self.fc1(x))  
        x = self.sigmoid(self.fc2(x))  
        return x  
model = MLP()  
optimizer = torch.optim.Adam(model.parameters(), lr=0.05)  
# 复用之前的训练循环  
# ...  
plot_decision_boundary(model, X, y)  # 显示非线性决策边界

优化技巧

  • 权重初始化 :torch.nn.init.kaiming_normal_(self.fc1.weight)

  • 学习率调度 :scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=30, gamma=0.1)

  • 梯度裁剪 :torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)

四. 总结

4.1 核心要点总结

附:完整训练监控代码

python 复制代码
from torch.utils.tensorboard import SummaryWriter  
writer = SummaryWriter()  
for epoch in range(1000):  
    pred = model(X)  
    loss = criterion(pred, y)  
    acc = ((pred > 0.5) == y).float().mean()  
    optimizer.zero_grad()  
    loss.backward()  
    optimizer.step()  
    writer.add_scalar('Loss/train', loss.item(), epoch)  
    writer.add_scalar('Accuracy/train', acc.item(), epoch)  
# 启动TensorBoard  
# tensorboard --logdir=runs

:本文代码基于PyTorch 2.0+实现,运行前需安装:

bash 复制代码
pip install torch matplotlib scikit-learn tensorboard

如果本次分享对你有所帮助,记得告诉身边有需要的朋友,"我们正在经历的不仅是技术迭代,而是认知革命。当人类智慧与机器智能形成共生关系,文明的火种将在新的维度延续。"在这场波澜壮阔的文明跃迁中,主动拥抱AI时代,就是掌握打开新纪元之门的密钥,让每个人都能在智能化的星辰大海中,找到属于自己的航向。

相关推荐
葫三生30 分钟前
如何评价《论三生原理》在科技界的地位?
人工智能·算法·机器学习·数学建模·量子计算
m0_751336392 小时前
突破性进展:超短等离子体脉冲实现单电子量子干涉,为飞行量子比特奠定基础
人工智能·深度学习·量子计算·材料科学·光子器件·光子学·无线电电子
美狐美颜sdk5 小时前
跨平台直播美颜SDK集成实录:Android/iOS如何适配贴纸功能
android·人工智能·ios·架构·音视频·美颜sdk·第三方美颜sdk
DeepSeek-大模型系统教程5 小时前
推荐 7 个本周 yyds 的 GitHub 项目。
人工智能·ai·语言模型·大模型·github·ai大模型·大模型学习
有Li5 小时前
通过具有一致性嵌入的大语言模型实现端到端乳腺癌放射治疗计划制定|文献速递-最新论文分享
论文阅读·深度学习·分类·医学生
郭庆汝5 小时前
pytorch、torchvision与python版本对应关系
人工智能·pytorch·python
IT古董5 小时前
【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
神经网络·算法·机器学习
小雷FansUnion7 小时前
深入理解MCP架构:智能服务编排、上下文管理与动态路由实战
人工智能·架构·大模型·mcp
资讯分享周7 小时前
扣子空间PPT生产力升级:AI智能生成与多模态创作新时代
人工智能·powerpoint
叶子爱分享8 小时前
计算机视觉与图像处理的关系
图像处理·人工智能·计算机视觉