https://blog.csdn.net/weixin_45655710?type=blog
@浙大疏锦行
DAY 33 MLP 神经网络的训练
知识点回顾：
- PyTorch和桃的安装
2.查看显卡信息的命令行命令(cmd中使用)
3.桃的检查
4.简单神经网络的流程
a.数据预处理(归一化、转换成张量)
b.模型的定义
i.继承nn.Module类
ii.定义每一个层
iii.定义前向传播流程
c.定义损失函数和优化器
d.定义训练流程
e.可视化loss过程
你今天主要学习了基于PyTorch框架实现多层感知机（MLP）来解决鸢尾花分类问题的完整流程，涵盖了环境配置、数据处理、模型构建和训练的核心环节。
核心内容梳理
1. 环境准备与CUDA检查
- 环境配置 ：创建了名为
DL的conda环境（Python 3.8），安装了pytorch、scikit-learn等核心依赖；区分了CPU/GPU版本的PyTorch安装，GPU版本需依赖NVIDIA显卡的CUDA/CUDNN组件。 - CUDA验证 ：通过
nvidia-smi命令查看显卡支持的最高CUDA版本和显存，通过PyTorch代码检查CUDA是否可用、设备数量/名称、实际安装的CUDA版本。
2. 数据预处理（鸢尾花数据集）
- 加载数据集并划分训练集/测试集（测试集占比20%）；
- 对特征数据做MinMaxScaler归一化（神经网络对输入尺度敏感，需统一范围）；
- 将NumPy数组转换为PyTorch张量（特征为
FloatTensor，标签为LongTensor，适配分类任务）。
3. MLP模型定义
- 继承
nn.Module构建自定义MLP类，包含：- 输入层（
nn.Linear(4, 10)）：4个特征→10个隐藏神经元； - 激活函数（ReLU）：引入非线性，解决线性模型表达能力不足的问题；
- 输出层（
nn.Linear(10, 3)）：10个隐藏神经元→3个分类结果（无激活，因交叉熵损失内置Softmax）；
- 输入层（
- 实现
forward方法定义前向传播逻辑（两种写法：显式调用ReLU层/直接用torch.relu）。
4. 模型训练（CPU版本）
- 损失函数：选用
nn.CrossEntropyLoss（适配多分类任务）； - 优化器：可选SGD（固定学习率0.01）或Adam（自适应学习率0.001）；
- 训练循环核心步骤：
- 前向传播：模型预测训练集输出；
- 计算损失：预测值与真实标签的误差；
- 反向传播：
optimizer.zero_grad()清零梯度（避免累积）→loss.backward()计算梯度→optimizer.step()更新参数； - 记录并打印每100轮的损失值，最后可视化损失曲线。
总结
- 核心流程：深度学习项目的基础范式是「环境配置→数据预处理→模型定义→损失/优化器设置→训练迭代→结果可视化」；
- 关键细节 ：神经网络需归一化输入、分类任务标签用
LongTensor、输出层无需激活（交叉熵损失内置Softmax）、训练时必须清零梯度； - 硬件适配：GPU（NVIDIA）通过CUDA加速并行计算，无NVIDIA显卡可先用CPU版本训练，后续迁移到云服务器GPU。
这些内容覆盖了PyTorch实现简单神经网络的全流程，是后续复杂深度学习项目的基础，重点要理解梯度下降、激活函数、损失函数在训练中的作用。
图1：PyTorch环境配置与CUDA检查流程图。展示从创建conda环境到验证CUDA可用性的完整步骤，包含关键命令和代码片段。
图2：鸢尾花数据集预处理流程图。呈现从数据加载、划分、归一化到张量转换的全过程，标注数据维度变化。
图3：MLP模型架构图。可视化三层神经网络结构，标注各层输入输出维度和激活函数位置。
图4：模型训练循环流程图。展示前向传播、损失计算、反向传播和参数更新的迭代过程，包含关键代码片段。