深度学习---实践学习

工具PyTorch

安装PyTorch详细过程_pytorch安装-优快云博客

Learning PyTorch with Examples — PyTorch Tutorials 2.3.0+cu121 documentation

基础知识

《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

PyTorch 深度学习实践_错错莫的博客-优快云博客

如何建立学习模型？（训练得到模型）

1.基于规则的

人工设计，改进的图搜索树搜索等；表示学习，通过数据集的训练得到

2.经典机器学习

分类（有标签），回归，聚类（无标签），降维

SVM支持向量机方法缺陷：人工设计的特征有局限，无法应对大数据、非结构化的数据

3.深度学习（端到端的训练）

Machine Learning

数据集合分training set （分训练和开发）/test set-避免过拟合-泛化能力

y=wx+b拟合曲线：1.给定random，2.求预测结果，3.得与实际值之间评估loss(需要最小)

cost function： MSE平均平方误差mean square error

实践操作

使用jupyter分块调试，控制台输入

source activate pytorch%进入环境pytorch(或者自己重新创建环境)

jupyter notebook

或者Pycharm,在test新建python文件，运行，报错少文件，点terminal 安装，输入pip install 少的文件。

实践一

2.线性模型_哔哩哔哩_bilibili

作业

线性模型下的MSE y=wx+b，通过枚举w,b，得到损失函数，求累计求和除以总数的MSE误差最小

import numpy as py #导入数组的包并简写为np
import matplotlib.pyplot as plt #导入数学绘图的包并简写为plt
from mpl_toolkits.mplot3d import Axes3D #从工具箱导入3D绘图工具包Axes3D

#数据集
x_data=[1.0，2.0，3.0]
y_data=[5.0,8.0,11.0]

#定义前向传播函数
def forward(x):
    return x*w+b #注意缩进，这里w，b是在函数调用的时候才有用

#定义损失函数
def loss(x,y,w,b):
    y_pred=forward(x)
    return (y_pred-y)**2 #平方可用**2表示

#参数生成
W=np.arange(0.0,4.1,0.1) #(起始，终止，步长)
B=np.arange(0.0,4.1,0.1)
[w,b]=np.meshgrid(W,B) #绘3D图需要

#计算损失函数的总和
l_sum=np.zeros_like(w)
for i in range(len(W))
    for j in range(len(B))
        for x_val,y_val in zip(x_data,y_data)
        loss_val=loss(x_val,y_val,w[i,j],b[i,j])
        l_sum[i,j]+=loss_val

#创建3D图表并绘制图像
fig=plt.figre()
ax=fig.add_subplot(lll,projection='3d')
ax.plot_surface(w,b,l_sum/3,cmap='viridis')
ax.set_xlabel('w')#标注轴的名称
ax.set_ylabel('b')
ax.set_zlabel('Loss')
plt.title('3D Graph of Loss Surface with Weignt w and b')#标注标题
plt.show()

实践二

03.梯度下降算法_哔哩哔哩_bilibili

梯度下降法：避免枚举的复杂度，通过损失函数相邻的下降斜率（倒数，学习率）来决定下一步的走向，能够快速找到局部最优点（类似贪心算法，注意局部最优不等于全局最优，最大问题是鞍点）

import matplotlib.pyplot as plt

#训练集
x_d