深度学习新手用pytorch从头构建神经网络!_如何写一个深度学习网络-优快云博客

本文链接：https://blog.youkuaiyun.com/Javaaaaaaaaaaa13/article/details/148309468

本文旨在使用PyTorch构建并训练一个最简单的神经网络，无需添加任何花哨的层或依赖包。

该模型将足够简单，大家都能使用CPU或GPU来构建和训练。

这个模型虽然简单，但包含了当前诸如LLM和Stable Diffusions等大型模型所拥有的所有基本元素。

构建一个模型，帮助我们彻底理解训练AI模型的过程，开始前请确保已安装并配置好PyTorch。

另外为了让大家可以更系统的学习人工智能（机器学习、深度学习、神经网络），小墨学长还为大家整理了一份60天入门人工智能机器学习、深度学习、神经网络）的学习路线，从基础到进阶都包含在内，希望可以帮助到大家。

学习路线的资料都下载打包好了

准备数据

假设我们要训练一个具有四个权重并能输出一个数字结果的模型，如下所示：

None

由于我们需要生成一些训练数据，因此假设权重为[2,3,4,7]：

import numpy as npw_list = np.array([2,3,4,7])

我们的模型将用于预测权重列表，因此在使用它生成一些训练数据后，我们假装不知道这些权重。

让我们创建10组输入样本数据——x_sample，每组x_sample是一个包含4个元素的数组，与权重的长度相同。

import randomx_list = []for _ in range(10):    x_sample = np.array([random.randint(1,100) for _ in range(len(w_list))])    x_list.append(x_sample)

这里，我们使用numpy，因为我们想利用numpy的点积函数轻松生成输出——y。

说到y，我们来生成一个包含10个元素的y_list：

y_list = []for x_sample in x_list:    y_temp = x_sample@w_list    y_list.append(y_temp)

我们的训练数据已准备就绪，无需下载任何内容，也无需使用DataLoader等，接下来，让我们定义模型。

定义模型

我们的模型可能是世界上最简单的模型，即以下代码中定义的一个简单的线性点积：

rt torch

import torch.nn as nnclass MyLinear(nn.Module):    def __init__(self):        super().__init__()        self.w = nn.Parameter(torch.randn(len(w_list)))        def forward(self, x:torch.Tensor):        return self.w @ x

在上述代码中，使用self.w = nn.Parameter(torch.randn(len(w_list)))初始化了权重张量。

无需其他代码，我们的神经网络模型现已准备就绪，命名为——MyLinear。

准备训练模型

要训练模型，我们需要像LLM或Diffusion模型那样初始化其随机权重。

model = MyLinear()

几乎所有神经网络模型的训练都遵循以下步骤：

前向传播以预测结果。
与真实值进行比较以获取损失值。
反向传播梯度损失值。
更新模型参数。

因此，在开始训练之前，我们需要定义一个损失函数和一个优化器。

损失函数loss_fn将根据预测结果和真实结果计算损失值，优化器将用于更新权重。

loss_fn = nn.MSELoss()optimizer = torch.optim.SGD(model.parameters(), lr = 0.00001)

lr代表学习率，这是最难设置的超参数之一，确定最佳学习率（lr）通常需要根据模型、数据集和问题的特性进行反复试验。然不过有一些策略和技术可以帮助估计一个合理的学习率。

从较小的学习率开始：一种常见做法是从较小的学习率（如0.001）开始，并根据观察到的收敛行为逐渐增加或减少它。
学习率调度：可以使用学习率调度在训练过程中动态调整学习率。一种常见方法是阶梯衰减，即在固定数量的训练周期后降低学习率。另一种流行方法是指数衰减，即学习率随时间呈指数下降。

另外别忘了将输入和输出转换为torch张量对象。

x_input = torch.tensor(x_list, dtype=torch.float32)y_output = torch.tensor(y_list, dtype=torch.float32)

一切准备就绪，让我们开始训练模型。

训练模型

我们将训练周期数设置为100，这意味着我们将遍历训练数据100次。

# 开始训练模型num_epochs = 100for epoch in range(num_epochs):    for i, x in enumerate(x_input):        # 前向传播        y_pred = model(x)        # 计算损失值        loss = loss_fn(y_pred, y_output[i])        # 清空之前缓存的参数梯度        optimizer.zero_grad()        # 反向传播计算梯度        loss.backward()        # 更新模型参数        optimizer.step()    # 每10个epoch打印一次训练进度    if (epoch+1) % 10 == 0:        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))print("训练完成")

在上述代码中，我们可以看到两层循环，外层循环用于训练周期，内层循环用于遍历10组样本数据。

我们有10组输入，每组输入有4个元素，即x_1, x_2, x_3, 和 x_4。

正如我们在准备阶段所讨论的，第一步是使用模型预测一个结果：y_pred，然后，调用loss_fn来计算损失值。

在将损失值反向传播之前，我们需要通过调用optimizer.zero_grad()来清除上一次的梯度值。

最后，调用backward和optimizer.step()来更新模型参数。

运行代码，我们将看到程序输出类似于以下内容：

Epoch [10/100], Loss: 218.3843Epoch [20/100], Loss: 283.2002Epoch [30/100], Loss: 116.5593Epoch [40/100], Loss: 43.8340Epoch [50/100], Loss: 16.3244Epoch [60/100], Loss: 6.0721Epoch [70/100], Loss: 2.2586Epoch [80/100], Loss: 0.8400Epoch [90/100], Loss: 0.3124Epoch [100/100], Loss: 0.1162train done

随着时间的推移，损失值在下降，这看起来很不错，让我们检查模型中当前的权重。

model.w

得到的结果是：

Parameter containing:tensor([2.0027, 2.9958, 4.0009, 7.0017], requires_grad=True)

这非常接近[2,3,4,7]！模型已成功训练并找到了正确的权重值。

扩展模型规模

在上述示例中，我们只使用4个权重构建了模型，现在我们可以增加权重的数量，如下所示：

w_list = np.array([2,3,4,7,11,5,13])

并再次运行代码，通过增加训练周期数和更新学习率——lr，你将始终看到模型成功预测你给出的任何权重。

使用CUDA进行训练

要使用CUDA训练模型，我们需要将1）模型和2）训练数据移动到CUDA，以下是完整代码。

# ----------------------------------------------------------# 生成训练数据# ----------------------------------------------------------import numpy as np# 定义真实权重向量（作为训练目标）w_list = np.array([2,3,4,7,11,5,13])import random# 生成10个随机输入样本（每个样本长度与w_list相同）x_list = []for _ in range(10):    x_sample = np.array([random.randint(1,100) for _ in range(len(w_list))])    x_list.append(x_sample)# print(x_list)  # 可选：打印生成的输入样本# 计算对应的目标输出值（输入样本与真实权重的点积）y_list = []for x_sample in x_list:    y_temp = x_sample @ w_list  # 矩阵乘法计算预测值    y_list.append(y_temp)# -----------------------------------------------------------# 准备训练环境# -----------------------------------------------------------import torch import torch.nn as nn# 定义自定义线性模型class MyLinear(nn.Module):    def __init__(self):        super().__init__()        # 初始化可学习参数（长度与w_list相同）        self.w = nn.Parameter(torch.randn(len(w_list), dtype=torch.float32))        print("初始权重：", self.w)  # 打印初始化的权重值        def forward(self, x:torch.Tensor):        # 前向传播：权重向量与输入向量的点积        return self.w @ x     # 实例化模型并转移到GPUmodel = MyLinear().to("cuda")# 定义损失函数（均方误差）loss_fn = nn.MSELoss()# 定义优化器（随机梯度下降，学习率0.00001）optimizer = torch.optim.SGD(model.parameters(), lr = 0.00001)# 数据预处理x_input = torch.tensor(x_list, dtype=torch.float32).to("cuda")  # 输入数据转GPU张量y_output = torch.tensor(y_list, dtype=torch.float32).to("cuda")  # 目标数据转GPU张量# ------------------------------------------------------------# 开始训练模型# ------------------------------------------------------------num_epochs = 200  # 总训练轮次for epoch in range(num_epochs):    for i, x in enumerate(x_input):        # 前向传播        y_pred = model(x)  # 通过模型得到预测值        # 计算损失        loss = loss_fn(y_pred, y_output[i])  # 比较预测值与真实值        # 清空梯度缓存        optimizer.zero_grad()  # 清除之前的梯度信息        # 反向传播        loss.backward()  # 计算当前参数的梯度        # 参数更新        optimizer.step()  # 根据梯度更新模型参数    # 每10轮打印训练进度    if (epoch+1) % 10 == 0:        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))print("训练完成")

总结
PyTorch简化了整个模型构建和训练过程，准备数据、准备训练和训练过程仅用几行代码即可完成，排除了不必要的复杂性。

另外我们精心打磨了一套基于数据与模型方法的 AI科研入门学习方案（已经迭代过5次），对于人工智能来说，任何专业，要处理的都只是实验数据，所以我们根据实验数据将课程分为了三种方向的针对性课程，包含时序、图结构、影像三大实验室，我们会根据你的数据类型来帮助你选择合适的实验室，根据规划好的路线学习 只需 4 个月左右（很多同学通过学习已经发表了 sci 一区及以下、ei会议等级别论文）学习形式为 直播＋录播，多位老师为你的论文保驾护航，如果需要发高区也有其他形式。