摘要：想知道如何让你的神经网络模型性能从"还行"飙升到"优秀"吗？本文以一个经典的"手机价格区间预测"案例为切入点，采用模块化的代码讲解方式，带你从零构建一个基础的 PyTorch 分类网络，并一步步实施数据标准化、网络加深、优化器更换等关键优化策略，亲眼见证模型准确率从 64% 提升至 91% 的全过程。
🚀 一、前言：从能用到好用的蜕变之旅
大家好！在深度学习的道路上，我们常常能快速搭建出一个可以运行的模型，但它的性能却不尽如人意。真正的挑战在于如何优化它，让它从"能用"变成"好用"。
今天，我们将通过一个非常接地气的项目------手机价格区间预测，来一场精彩的模型性能提升之旅。本文将分为两大篇章：
-
基础篇：手把手带你用 PyTorch 构建一个基础的全连接神经网络，并看看它的初始表现。
-
进阶优化篇：揭示模型性能不佳的症结，并祭出四大优化"法宝"，让模型的准确率实现质的飞跃。
本文最大的特点是代码分模块展示和讲解，让你清晰地了解每一部分代码的作用，轻松上手。准备好了吗？Let's Go!
📊 二、案例背景：手机价格区间预测
🎯 我们的任务 ：帮助虚拟的"小明手机店"解决定价难题。我们需要根据手机的20项硬件特征（如RAM、电池、摄像头像素等）自动预测其所属的价格区间（共4个等级：0低价, 1中价, 2高价, 3旗舰价）。
这是一个典型的多分类问题，非常适合用神经网络来解决。
🔨 三、基础篇：从零构建分类网络 (Baseline Model)
我们先搭建一个基础版本，把它作为我们的基线模型 (Baseline)，看看它能做到什么程度。
💻 3.1 环境准备 & 导包
首先，导入所有必需的库。
python
# 核心框架
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import TensorDataset, DataLoader
# 数据处理与划分
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
# 辅助工具
import time📊 3.2 数据加载与预处理
用 pandas 读取数据，并用 scikit-learn 将其划分为训练集和测试集。
python
def create_dataset_base():
"""基础版数据加载函数"""
data = pd.read_csv('./data/手机价格预测.csv')
x, y = data.iloc[:, :-1], data.iloc[:, -1]
x = x.astype(np.float32)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=3, stratify=y)
train_dataset = TensorDataset(torch.tensor(x_train.values), torch.tensor(y_train.values))
test_dataset = TensorDataset(torch.tensor(x_test.values), torch.tensor(y_test.values))
return train_dataset, test_dataset, x_train.shape[1], len(np.unique(y))🧠 3.3 构建神经网络模型
定义一个简单的三层全连接网络。
python
class PhonePriceModelBase(nn.Module):
"""基础版神经网络模型"""
def __init__(self, input_dim, output_dim):
super().__init__()
self.linear1 = nn.Linear(input_dim, 128)
self.linear2 = nn.Linear(128, 256)
self.output = nn.Linear(256, output_dim)
def forward(self, x):
x = torch.relu(self.linear1(x))
x = torch.relu(self.linear2(x))
x = self.output(x) # 输出层不加激活，CrossEntropyLoss内部包含了Softmax
return x⚙️ 3.4 编写训练与评估函数
训练函数负责模型的迭代学习，评估函数则检验模型在未知数据上的表现。
python
# 训练函数
def train_base(train_dataset, input_dim, output_dim):
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True)
model = PhonePriceModelBase(input_dim, output_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001) # 使用SGD优化器
epochs = 50
print("--- 🚀 开始基础模型训练 ---")
for epoch in range(epochs):
model.train()
for x, y in train_loader:
y_pred = model(x)
loss = criterion(y_pred, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
torch.save(model.state_dict(), './model/phone_base.pth')
print("--- ✅ 基础模型训练完成 ---")
# 评估函数
def evaluate_base(test_dataset, input_dim, output_dim):
model = PhonePriceModelBase(input_dim, output_dim)
model.load_state_dict(torch.load('./model/phone_base.pth'))
test_loader = DataLoader(test_dataset, batch_size=8, shuffle=False)
correct = 0
model.eval()
with torch.no_grad():
for x, y in test_loader:
y_pred = torch.argmax(model(x), dim=1)
correct += (y_pred == y).sum().item()
accuracy = correct / len(test_dataset)
return accuracy▶️ 3.5 运行并查看结果
💡 结果分析
-
基础模型在测试集上的准确率为 64.25%。
-
这个结果比随机猜测（25%）好得多，证明模型学到了一些规律。但对于一个商业应用来说，这个准确率显然是不够的。
📈 四、进阶优化篇：让性能一飞冲天！
针对基线模型的不足，我们将从四个方面进行一次"豪华升级"。
📏 4.1 优化一：数据标准化 (Standard Scaling)
❓ 为什么？ 特征间的数值范围差异巨大（如电池容量4000 vs 核心数8），会干扰模型的学习效率。标准化能将所有特征"拉"到同一水平线上，让训练更平稳。
python
from sklearn.preprocessing import StandardScaler
def create_dataset_optimized():
data = pd.read_csv('./data/手机价格预测.csv')
x, y = data.iloc[:, :-1], data.iloc[:, -1]
x = x.astype(np.float32)
y = y.astype(np.int64) # CrossEntropyLoss需要LongTensor类型的标签
x_train, x_valid, y_train, y_valid = train_test_split(x, y, train_size=0.8, random_state=88, stratify=y)
# === ✨ 优化点 ①：数据标准化 ===
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_valid = transfer.transform(x_valid)
train_dataset = TensorDataset(torch.from_numpy(x_train), torch.tensor(y_train.values))
valid_dataset = TensorDataset(torch.from_numpy(x_valid), torch.tensor(y_valid.values))
return train_dataset, valid_dataset, x_train.shape[1], len(np.unique(y))🧱 4.2 优化二：深化网络结构 (Deeper Network)
❓ 为什么？ 更深、更宽的网络拥有更强的学习能力，能捕捉数据中更复杂、更抽象的模式，就像一个更聪明的大脑。
python
class PhonePriceModelOptimized(nn.Module):
def __init__(self, input_dim, output_dim):
super().__init__()
# === ✨ 优化点 ②：使用nn.Sequential构建更深的网络 ===
self.layers = nn.Sequential(
nn.Linear(input_dim, 128), nn.ReLU(),
nn.Linear(128, 256), nn.ReLU(),
nn.Linear(256, 512), nn.ReLU(),
nn.Linear(512, 128), nn.ReLU(),
nn.Linear(128, output_dim)
)
def forward(self, x):
return self.layers(x)🚀 4.3 优化三 & 四：更换优化器与调整学习率 (Adam & Learning Rate)
❓ 为什么？ Adam 优化器是一种更智能的"导航系统"，它能自适应地调整学习率，通常比传统的 SGD 收敛更快、效果更好。配合 Adam，一个更小的学习率能让模型在接近最优解时"慢下来"，进行精细微调。
python
def train_optimized(train_dataset, input_dim, class_num):
dataloader = DataLoader(train_dataset, shuffle=True, batch_size=8)
model = PhonePriceModelOptimized(input_dim, class_num)
criterion = nn.CrossEntropyLoss()
# === ✨ 优化点 ③ & ④：使用Adam和更小的学习率 ===
optimizer = optim.Adam(model.parameters(), lr=1e-4)
# ... (训练循环与之前类似) ...
torch.save(model.state_dict(), './model/phone-price-model2.pth')
# 评估函数逻辑不变，只需加载新模型即可
def test_optimized(valid_dataset, input_dim, class_num):
# ... (加载PhonePriceModelOptimized模型并评估) ...
# 此处省略重复代码，与 evaluate_base 类似🏆 4.4 见证奇迹的时刻
💡 优化后结果分析
-
经过四大优化策略的加持，新模型在测试集上的准确率达到了惊人的 91.25%！
-
这意味着，对于100台新手机，我们的模型大约能正确预测其中91台的价格区间，这已经具备了很高的商业应用价值。
🎉 五、成果对比与总结
让我们将两个模型的结果放在一起，感受优化的力量！
| 模型版本 | 核心配置 | 准确率 | 提升幅度 |
|---|---|---|---|
| 基础版 | 3层网络 / SGD | 64.25% | - |
| 🚀 优化版 | 5层网络 / 数据标准化 / Adam | 91.25% | +27% |
📝 六、总结与回顾
本次实战，我们不仅完整地走了一遍从数据到模型的全流程，更重要的是，我们学会了如何像一位"模型调优师"一样去思考和实践。
✅ 核心 takeaways：
-
数据优先：永远不要低估数据预处理（如标准化）的重要性，它是模型成功的基石。
-
结构决定上限：一个好的网络结构（如适当加深）为模型提供了更高的学习潜力。
-
优化器是关键：选择合适的优化器（如Adam）和学习率，能让训练事半功倍。
-
迭代思维：深度学习是一个不断实验、分析、优化的循环过程。
🛠️ 七、源码与数据集获取
光说不练假把式！为了方便大家亲手复现本文的实验，我已经将完整的项目源码和 手机价格预测.csv 数据集打包好啦！
获取方式非常简单：
👉 第一步：请先**【关注】**我的 CSDN 账号。您的关注是我持续创作高质量内容的最佳动力！
📨 第二步：关注后，请给我发送私信，内容为关键词： `手机价格预测`
收到私信后，我会尽快将源码和数据集的下载方式发给你哦！期待你的实践与反馈！
🙏 课程推荐与参考 (Reference)
再次强调，本文核心知识点均提炼自 B 站黑马程序员 的精品课程，老师讲得非常详细，大家一定要去支持！
- 课程名称： AI大模型《神经网络与深度学习》全套视频课程，涵盖Pytorch深度学习框架、BP神经网络、CNN图像分类算法及RNN文本生成算法
现在，你也可以尝试调整网络结构、训练轮数，看看能否冲击更高的准确率！如果觉得这篇文章对你有帮助，请不要吝啬你的 👍 点赞、⭐ 收藏和 💬 评论！