自学编程网站广州公司注册场地要求

自学编程网站,广州公司注册场地要求,wordpress用什么服务器配置,网站套模板教程一、PyTorch的安装 我们后续完成深度学习项目中,主要使用的包为pytorch,所以需要安装,需要去配置一个新的环境。 未来在复现具体项目时候#xff0c;新环境命名最好是python版本_pytorch版本_cuda版本#xff0c;例如 py3.10_pytorch2.0_cuda12.2 ,因为复杂项目对运行环境有…一、PyTorch的安装我们后续完成深度学习项目中,主要使用的包为pytorch,所以需要安装,需要去配置一个新的环境。未来在复现具体项目时候新环境命名最好是python版本_pytorch版本_cuda版本例如 py3.10_pytorch2.0_cuda12.2 ,因为复杂项目对运行环境有要求所以需要安装对应版本的包。我们目前主要不用这么严格先创建一个命名为DL的新环境即可,也可以沿用之前的环境二、准备工作可以在你电脑的cmd中输入nvidia-smi来查看下显卡信息其中最重要的2个信息分别是1. 显卡目前驱动下最高支持的cuda版本12.72. 显存大小12288 MiB ÷ 1024 12PS:之所以输入这个命令可以弹出这些信息是因为为系统正确安装了 NVIDIA 显卡驱动程序并且相关路径被添加到了环境变量中。如果你不是英伟达的显卡自然无法使用这个命令。import torch torch.cudaimport torch # 检查CUDA是否可用 if torch.cuda.is_available(): print(CUDA可用) # 获取可用的CUDA设备数量 device_count torch.cuda.device_count() print(f可用的CUDA设备数量: {device_count}) # 获取当前使用的CUDA设备索引 current_device torch.cuda.current_device() print(f当前使用的CUDA设备索引: {current_device}) # 获取当前CUDA设备的名称 device_name torch.cuda.get_device_name(current_device) print(f当前CUDA设备的名称: {device_name}) # 获取CUDA版本 cuda_version torch.version.cuda print(fCUDA版本: {cuda_version}) else: print(CUDA不可用。)这里的cuda版本是实际安装的cuda驱动的版本需要小于显卡所支持的最高版本上述这段代码可以以后不断复用检查是否有pytorch及cuda相关信息我们今天先用cpu训练不必在意有没有cuda不影响。三、数据的准备# 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_size0.2, random_state42) # 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)四、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 optimclass 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()其实模型层的写法有很多relu也可以不写在后面前向传播的时候计算下即可因为relu其实不算一个层只是个计算而已。# def forward(self,x): #前向传播 # xtorch.relu(self.fc1(x)) #激活函数 # xself.fc2(x) #输出层不需要激活函数因为后面会用到交叉熵函数cross_entropy # return x五、模型训练CPU版本5.1 定义损失函数和优化器# 分类问题使用交叉熵损失函数 criterion nn.CrossEntropyLoss() # 使用随机梯度下降优化器 optimizer optim.SGD(model.parameters(), lr0.01) # # 使用自适应学习率的化器 # optimizer optim.Adam(model.parameters(), lr0.001)5.2 开始循环训练实际上在训练的时候可以同时观察每个epoch训练完后测试集的表现测试集的loss和准确度# 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epoch1是从当前epoch开始每100个epoch打印一次 print(fEpoch [{epoch1}/{num_epochs}], Loss: {loss.item():.4f})如果你重新运行上面这段训练循环模型参数、优化器状态和梯度会继续保留导致训练结果叠加模型参数和优化器状态如动量、学习率等不会被重置。这会导致训练从之前的状态继续而不是从头开始六、可视化结果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()浙大疏锦行