当前位置：首页 > wzjs >正文

网站推广的方式包括重庆seo网站管理

wzjs 2025/8/29 12:28:38

网站推广的方式包括,重庆seo网站管理,广告公司网站模板,wordpress hacker主题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()