当前位置：首页 > wzjs >正文

wordpress nginx 配置seo网站内容优化

wzjs 2025/7/27 12:05:37

wordpress nginx 配置,seo网站内容优化,手机开发者工具,wordpress 多个子站点Task： MLP神经网络的训练 1.PyTorch和cuda的安装 2.查看显卡信息的命令行命令（cmd中使用） 3.cuda的检查 4.简单神经网络的流程 a.数据预处理（归一化、转换成张量） b.模型的定义 i.继承nn.Module类 ii.定义每一个层 iii…

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

MLP神经网络训练复习

1. PyTorch 与 CUDA 安装

PyTorch安装：推荐使用官方命令（根据你的CUDA版本）例如：

pip install torch torchvision torchaudio

或使用conda：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

CUDA支持：确保你的GPU支持CUDA，安装匹配版本的显卡驱动和CUDA Toolkit。

2. 查看显卡信息（命令行）

Windows CMD:

nvidia-smi

查看GPU详细信息（在PyTorch中也可以用代码查询）

3. CUDA的检查

在Python中：

import torch
print(torch.cuda.is_available())  # 查看CUDA是否可用
print(torch.cuda.device_count())  # 当前GPU数量
print(torch.cuda.get_device_name(0))  # GPU设备名

4. 简单神经网络流程

a. 数据预处理

归一化：将数据缩放到某个范围（通常0-1或-1到1）
转换为张量：

import torchvision.transforms as transformstransform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean, std)
])

b. 模型定义

继承 nn.Module
定义网络层
实现 forward() 方法

示例：

import torch.nn as nnclass MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(input_dim, hidden_dim)self.relu = nn.ReLU()self.fc2 = nn.Linear(hidden_dim, output_dim)def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return x

c. 损失函数和优化器

损失函数：nn.CrossEntropyLoss(), nn.MSELoss() 等
优化器：torch.optim.SGD, torch.optim.Adam

示例：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

d. 训练流程

遍历数据
清零梯度 optimizer.zero_grad()
前向传播
计算损失
反向传播 loss.backward()
更新参数 optimizer.step()

示例：

for epoch in range(num_epochs):for data, labels in dataloader:data = data.to(device)labels = labels.to(device)outputs = model(data)loss = criterion(outputs, labels)optimizer.zero_grad()loss.backward()optimizer.step()

e. 可视化Loss

用matplotlib绘制训练过程中loss变化：

import matplotlib.pyplot as pltlosses = []# 在训练循环中每轮加入损失
losses.append(loss.item())plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.show()