桥梁建设网站电子商务网站设计的书

桥梁建设网站,电子商务网站设计的书,江门市网站建设公司,厦门企业公司电话黄页一、PyTorch和cuda的安装 二、查看显卡信息的命令行命令#xff08;cmd中#xff09; 三、cuda的检查 import torch# 检查CUDA是否可用 if torch.cuda.is_available():print(CUDA可用#xff01;)# 获取可用的CUDA设备数量device_count torch.cuda.device_c…一、PyTorch和cuda的安装二、查看显卡信息的命令行命令cmd中三、cuda的检查import 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。)四、简单神经网络的流程1.数据预处理归一化、转化为张量注意事项分类任务中若标签为整数如0/1/2类别需转换为long型对应PyTorch中的torch.long否则交叉熵损失函数会报错。回归任务中标签需转换为float类型如torch.float32# 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)2.模型的定义2.1继承nn.Module类2.2定义每一个层2.3定义前向传播流程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 # 前三行通用后面的是自定义的 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() # 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 x3.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)4.定义训练流程# 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})5.可视化loss流程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