pytorch学习笔记二：用pytorch神经网络模型做气温预测、分类任务构建和分类网络构建、卷积神经网络原理介绍

文章目录

- 一、搭建pytorch神经网络进行气温预测
- - 1）基础搭建
  - 2）实际操作标识特征和标签
  - 3）构建成标准化的预处理数据（做标准化收敛速度更快）
- 二、按照建模顺序构建完成网络架构
- - 1）np.array格式的标签(y)和特征(x)转为tensor格式数据
  - 2）显示特征14个转为128个隐式特征weight和偏执biases128个去微调，并设置学习率
  - 3）for循环batchsize（1000）次处理数据
- 三、简化代码来训练网络模型
- - 1）参数解释
  - 2）实际训练简化代码
  - 3）预测训练结果并画图
- 四、分类任务概述
- - 1）下载并解压Mnist数据集
  - 2）分类任务的原理
  - 3）nn.functional模块和nn.Module模块使用介绍
- 五、构建分类网络
- - 1）把x和y都转成tensor格式
  - 2）定义函数并使用
  - 3）创建一个model来简化模型
- 六、DataSet模块介绍与应用方法
- 七、卷积神经网络应用领域和卷积作用
- - 1）卷积神经网络能做的事
  - 2）卷积神经网络NN和传统神经网络CNN区别
  - 3）整体架构
  - 4）卷积做了一件什么事？
- 八、卷积的作用（略）
- 九、卷积特征值计算方法
- - 1）图像颜色通道（RGB）
  - 2）实际提取特征流程
  - 3）利用不同卷积核得到不同特征图（28x28x6，6张图）
- 十、得到特征图表示
- 十一、步长与卷积核大小对结果影响
- - 1）只做一次特征图就够了吗？
  - 2）卷积层涉及参数

pytorch_2">一、搭建pytorch神经网络进行气温预测

1）基础搭建

加载模块代码

在这里插入图片描述

读取气温数据
参数解释
查看数据维度

print('数据维度',  features.shape)

**加粗样式**

时间处理字符串
准备用数据画曲线图

在这里插入图片描述

对周几这种数据做独热编码（把数据转成做数值的形式）

2）实际操作标识特征和标签

备注
①标签labels就是y=kx+b中的y，只要标识出来
②把标签在x中去掉，也就是在特征中去掉标签（特征就是x）
③转换成合适格式，也就是把数据转成np.array的格式
④features.shape里面显示了数据有384行，特征有14个

在这里插入图片描述

3）构建成标准化的预处理数据（做标准化收敛速度更快）

在这里插入图片描述

二、按照建模顺序构建完成网络架构

1）np.array格式的标签(y)和特征(x)转为tensor格式数据

在这里插入图片描述

2）显示特征14个转为128个隐式特征weight和偏执biases128个去微调，并设置学习率

注意
这是回归任务，所以最终要得到一个实际的值，所以weight2是【128，1】，则偏置参数biases2也只是只有1个

在这里插入图片描述

3）for循环batchsize（1000）次处理数据

①先计算隐层结果

hidden = x.mm(weights) + biases

②按照惯例在结果之前加入激活函数relu

hidden = torch.relu(hidden)

③收敛把w2乘过来计算

predictins = hiddenmm(weights2) + biases2

④计算损失
（预测值减去真实值，再做平均方误差）

loss = torch.mean((predictions - y) ** 2)
#放到数组,数据转为numpy格式
losses.append(loss.data.numpy())

在这里插入图片描述

⑤反向传播并更新参数（根据损失去更新最新的w1、B1,w2、B2）

loss.backward()# 更新参数
weights.data.add_(- learning_rate * weights.grad.data)
biases.data.add_(- learning_rate * biases.grad.data)
weights2.data.add_(- learning_rate * weights2.grad.data)
biases2.data.add_(- learning_rate * biases2.grad.data)

在这里插入图片描述

⑥每次迭代记得清空计算出来的数值(记得计算梯度时都需要清空参数)

weights.grad.data.zero_()
biases.grad.data.zero_()
weights2.grad.data.zero_()
biases2.grad.data.zero_()

三、简化代码来训练网络模型

1）参数解释

input_size：总共样本数量
hidden_size：隐藏特征个数
output_size：输出结果个数
batch_size：16（一次训练的数据数量，之前是全部读进去）

2）实际训练简化代码

①构建网络模型（这里用的Adam动态调整学习率）
在这里插入图片描述
②训练网络

3）预测训练结果并画图

备注
①其实就是转为numpy格式画图
②x轴为时间
③这里reshape(-1)表示一列的意思
④真实值用蓝色表示，预测值用红色表示
结果展示

四、分类任务概述

与之前的回归模型的区别
①得到的结果是不同的
②使用的损失函数也是不同的
学习目的：Mnist分类任务
①网络基本构建与训练方法，常用函数解析
②torch.nn.functional模块
③nn.Module模块

1）下载并解压Mnist数据集

下载
解压
看数据集大概什么样子
可以看到787是每个样本的像素点个数，可以看成是787个特征（下面是打印5这个数字）

2）分类任务的原理

原理
说白了就是判断这个数字属于1到10哪个类别的概率，这里可以看到9属于9的概率是最高的87%
流程

3）nn.functional模块和nn.Module模块使用介绍

①有可学习的参数用Module：卷积层、
②其他情况用functional：激活函数、损失函数（分类任务一般用交叉相乘作为损失函数：cross_entropy）

五、构建分类网络

1）把x和y都转成tensor格式

在这里插入图片描述

2）定义函数并使用

定义函数
定义参数
bs：也就是batch_size
实际训练流程，并打印结果
这里model(xb)得出预测值，yb是真实值

3）创建一个model来简化模型

备注
①必须继承nn.Module并在构造函数调用nn.Module的构造函数
②无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
③nn.Module中的可学习参数可以通过named_parameters()或parameters()返回迭代器
④这里的forward方法，自己会反向传播