Day33 MLP神经网络的训练

MLP神经网络训练详解

最新推荐文章于 2025-12-03 20:31:34 发布

原创最新推荐文章于 2025-12-03 20:31:34 发布 · 328 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #人工智能 #深度学习

python打卡专栏收录该内容

43 篇文章

订阅专栏

@浙大疏锦行

知识点回顾：

PyTorch和cuda的安装
查看显卡信息的命令行命令（cmd中使用）
cuda的检查
简单神经网络的流程
1. 数据预处理（归一化、转换成张量）
2. 模型的定义
  1. 继承nn.Module类
  2. 定义每一个层
  3. 定义前向传播流程
3. 定义损失函数和优化器
4. 定义训练流程
5. 可视化loss过程

前置知识回顾：

梯度下降的思想：梯度下降是一种优化算法，用于最小化损失函数。其核心思想是通过计算损失函数的梯度（即函数在各点上的偏导数向量），沿着梯度的反方向调整网络参数，从而逐步接近损失函数的最小值。梯度指向函数值增长最快的方向，因此负梯度方向就是函数值下降最快的方向。
激活函数的作用：激活函数是神经网络中的重要组件，用于引入非线性因素，使神经网络能够学习和表示复杂的非线性关系。如果没有激活函数，多层神经网络就退化为线性模型，无法处理复杂任务。常见的激活函数包括 ReLU、Sigmoid 和 Tanh 等。
损失函数的作用：损失函数用于衡量模型预测值与真实值之间的差异。它是训练过程中需要最小化的函数，指导模型如何调整参数以提高预测准确性。损失函数的选择取决于具体任务，如分类问题常用交叉熵损失，回归问题常用均方误差损失。
优化器：优化器是训练神经网络的关键组件，负责根据损失函数的梯度信息更新模型参数（权重和偏置），以最小化损失函数。不同的优化器有不同的更新策略，影响模型的收敛速度和最终性能。常见的优化器包括 SGD、Adam、RMSProp 等。
神经网络的概念：神经网络是一种模拟生物神经网络结构的计算模型，由大量相互连接的节点（神经元）组成。每个神经元接收输入，进行加权求和并通过激活函数产生输出。神经网络通过多层结构能够学习复杂的非线性关系，用于解决分类、回归等各种机器学习任务。

神经网络由于内部比较灵活，所以封装的比较浅，可以对模型做非常多的改进，而不像机器学习三行代码固定。与机器学习中最大的不同。

数据准备

# 仍然用4特征，3分类的鸢尾花数据集作为我们今天的数据集
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 打印下尺寸
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)

# 归一化数据，神经网络对于输入数据的尺寸敏感，归一化是最常见的处理方式
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test) #确保训练集和测试集是相同的缩放

# 将数据转换为 PyTorch 张量，因为 PyTorch 使用张量进行训练
# y_train和y_test是整数，所以需要转化为long类型，如果是float32，会输出1.0 0.0
X_train = torch.FloatTensor(X_train)
y_train = torch.LongTensor(y_train)
X_test = torch.FloatTensor(X_test)
y_test = torch.LongTensor(y_test)

模型架构定义

定义一个简单的全连接神经网络模型，包含一个输入层、一个隐藏层和一个输出层。

定义层数+定义前向传播顺序

import torch
import torch.nn as nn
import torch.optim as optim

class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Module
    def __init__(self): # 初始化函数
        super(MLP, self).__init__() # 调用父类的初始化函数
 # 前三行是八股文，后面的是自定义的

        self.fc1 = nn.Linear(4, 10)  # 输入层到隐藏层
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(10, 3)  # 隐藏层到输出层
# 输出层不需要激活函数，因为后面会用到交叉熵函数cross_entropy，交叉熵函数内部有softmax函数，会把输出转化为概率

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 实例化模型
model = MLP()

模型训练，定义损失函数和优化器

criterion = nn.CrossEntropyLoss()

# 使用随机梯度下降优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 使用自适应学习率的化器
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
num_epochs = 20000 # 训练的轮数

# 用于存储每个 epoch 的损失值
losses = []

for epoch in range(num_epochs): # range是从0开始，所以epoch是从0开始
    # 前向传播
    outputs = model.forward(X_train)   # 显式调用forward函数
    # outputs = model(X_train)  # 常见写法隐式调用forward函数，其实是用了model类的__call__方法
    loss = criterion(outputs, y_train) # output是模型预测值，y_train是真实标签

    # 反向传播和优化
    optimizer.zero_grad() #梯度清零，因为PyTorch会累积梯度，所以每次迭代需要清零，梯度累计是那种小的bitchsize模拟大的bitchsize
    loss.backward() # 反向传播计算梯度
    optimizer.step() # 更新参数

    # 记录损失值
    losses.append(loss.item())

    # 打印训练信息
    if (epoch + 1) % 100 == 0: # range是从0开始，所以epoch+1是从当前epoch开始，每100个epoch打印一次
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

训练时，要关注每个epoch训练完后测试集的表现：测试集的loss和准确度

最后进行结果可视化

import matplotlib.pyplot as plt
# 可视化损失曲线
plt.plot(range(num_epochs), losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.show()