网站404页面优化百度明星人气排行榜

目录

神经网络

神经网络的概念

神经网络的核心组成与结构

神经网络的工作原理：从输入到输出

神经网络的学习能力和特点

神经网络和深度学习的关系

准备工作

数据准备

模型架构定义

模型训练（CPU版本）

定义损失函数和优化器

开始循环训练

可视化结果

---

神经网络

神经网络的概念

神经网络(Neural Network)，全称为人工神经网络(Artificial Neural Network, ANN)，是一种受生物大脑神经元结构启发的计算模型。其核心思想是通过多层相互连接的“人工神经元”（节点）传递和处理信息，模拟生物神经系统的学习和决策过程。

神经网络的核心组成与结构

1. 人工神经元（节点）

   • 输入层：接收原始数据（如图像像素、文本特征）。
   • 隐藏层：处理和转换输入信息，提取抽象特征（层数和节点数根据任务调整）。
   • 输出层：生成最终结果（如分类标签、回归值）。

2. 网络连接与权重

   • 神经元之间通过 “权重（Weight）” 连接，权重决定信息传递的强度，是模型学习的核心参数。
   • 每个神经元的输出通过激活函数（如 ReLU、Sigmoid）引入非线性变换，使网络能处理复杂问题。

3. 典型网络结构示例

   • 多层感知机（MLP）：全连接网络，适用于简单分类任务。
   • 卷积神经网络（CNN）：通过卷积层提取空间特征，擅长图像处理。
   • 循环神经网络（RNN）：通过记忆单元处理序列数据，适用于自然语言处理。

神经网络的工作原理：从输入到输出

1. 前向传播（Forward Propagation）

   • 输入数据经过各层神经元的加权求和与激活函数计算，逐层传递至输出层。
   • 数学表达式：
     
     其中 wi 为权重，b为偏置，f为激活函数，a为神经元输出。
   • 激活函数的作用：赋予神经网络“思考”的灵魂。它是神经网络中对神经元输入进行变换的函数，其核心作用是为网络引入非线性映射能力。若没有激活函数，多层神经网络将退化为线性模型，只能处理线性问题（如简单的线性回归），无法拟合现实世界中的复杂非线性关系（如图像识别、语言理解等）。

2. 反向传播（Backpropagation）

   • 计算预测结果与真实值的误差（损失函数），通过链式法则将误差反向传播至各层，更新权重以减小误差。
   • 优化目标：通过梯度下降等算法最小化损失函数（如交叉熵、均方误差）。
   • 损失函数的作用：衡量模型“对错”的标尺与优化方向的指引。它是神经网络中用于度量模型预测结果和标签差异的函数，其核心作用是将“模型预测的准确性”转化为可计算的数值——数值越小，代表预测与真实越接近。从优化角度看，损失函数为模型训练提供了明确的“目标”：通过调整参数使损失值最小化，从而让模型不断逼近真实规律。
   • 梯度下降的思想：从“下山寻谷”到神经参数的优化。本质是“局部最优驱动全局优化”：不追求一步到位，而是通过每一步的“最优局部选择”逐步逼近目标。这种思想在现实中也有映射 —— 如企业管理中通过每日迭代优化流程，最终实现整体效率提升。在深度学习中，尽管存在非凸优化、梯度消失等挑战，但梯度下降仍是目前最有效、最易实现的参数优化方法，其与反向传播的结合，构成了现代神经网络训练的基石。理解梯度下降，就是理解机器学习 “从数据中学习” 的动态过程。
   • 优化器：负责更新模型参数、最小化损失函数的算法框架。不同的优化器采用不同的策略来更新参数，直接影响模型的训练速度、稳定性和最终性能。

神经网络的学习能力和特点

1. 强大的表征能力

   • 多层网络可近似任意复杂函数（通用近似定理），能捕捉数据中的非线性关系。
   • 示例：CNN 通过多层卷积提取图像中的边缘、纹理等特征，最终实现物体识别。

2. 数据驱动的学习方式

   • 无需手动设计特征，直接从数据中学习模式（如自动驾驶通过海量图像数据学习路况识别）。

3. 局限性

   • 需大量标注数据，训练计算成本高（如 GPT-4 训练需数千块 GPU 协作）。
   • 模型可解释性较差（“黑箱” 特性），难以直观理解决策逻辑。

神经网络和深度学习的关系

• 深度学习是神经网络的延伸，特指具有多层隐藏层的复杂神经网络（如 10 层以上的 CNN 或 Transformer）。
• 深度学习通过增加网络深度和复杂度，结合大数据和算力，在图像识别、语音处理、自然语言生成等领域实现了突破性进展（如 AlphaGo、ChatGPT）。

准备工作

# 安装pytorch
%pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simpleimport torch
# 检查CUDA是否可用 （因为我是macos所以不可用）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.cudaprint(f"CUDA版本: {cuda_version}")
else:print("CUDA不可用。")

数据准备

# 仍然使用4特征，3分类的鸢尾花数据集
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
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)# 打印尺寸
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)

(120, 4)

(120,)

(30, 4)

(30,)

# 归一化数据，神经网络对于输入数据的尺寸敏感，归一化湿最常见的处理方式
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整型，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)

注意事项：

1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错。

2. 回归任务中，标签需转为float类型（如torch.float32）。

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.nn as nn    # 神经网络模块
import torch.optim as optim    # 优化器模块class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledef __init__: # 初始化函数super(MPL, self).__init__() # 调用父类的初始化函数# 前三行是八股文，后面是自定义的self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层self.relu = nn.ReLU()    # 激活函数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# 其实模型层的写法又很多，relu也可以不写，在后面前向出传播的时候计算下即可，因为relu其实不算一个层，只是一个计算而已
#   def forward(self, x):
#       out = torch.relu(self.fc1(x))
#       out = self.fc2(out)
#       return out# 实例化模型
model = MLP()

模型训练（CPU版本）

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(), lr=0.01)# 使用自适应学习率优化器 
# optimizer = optim.Adam(model.parameter(), lr=0.01)

开始循环训练

实际上在训练的时候，可以同时观察每个epoch训练完后的测试集的表现：测试集的loss和准确度

# 训练模型
num_epochs = 20000 # 训练的论数# 用于存储每个 epoch 的损失值
losses = []for epoch in range(num_epochs): # range从0开始，所以epoch从0开始# 向前传播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，梯度累积是那种小的bitchsize模拟大的bitchsizeloss.backward()    # 反向传播计算梯度optimizer.step()    # 根据学习学习率和梯度更新参数# 记录损失值losses.append(loss.item())# 打印训练信息if (epoch + 1) % 100 == 0: # 每100次训练打印一次print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

Epoch [100/20000], Loss: 1.0599

Epoch [200/20000], Loss: 1.0205

Epoch [300/20000], Loss: 0.9727

Epoch [400/20000], Loss: 0.9150

Epoch [500/20000], Loss: 0.8493

Epoch [600/20000], Loss: 0.7800

Epoch [700/20000], Loss: 0.7141

Epoch [800/20000], Loss: 0.6562

Epoch [900/20000], Loss: 0.6078

Epoch [1000/20000], Loss: 0.5677

Epoch [1100/20000], Loss: 0.5343

...

Epoch [19600/20000], Loss: 0.0622

Epoch [19700/20000], Loss: 0.0620

Epoch [19800/20000], Loss: 0.0619

Epoch [19900/20000], Loss: 0.0618

Epoch [20000/20000], Loss: 0.0617 

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， 导师训练结果叠加，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

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('Train Loss over Epochs')
plt.show()

@浙大疏锦行