临沂市网站建设_网站建设公司_网站建设_seo优化

Day 79：【99天精通Python】深度学习入门 (PyTorch) 下篇 - 搭建神经网络 (nn.Module)

前言

欢迎来到第79天！

在昨天的课程中，我们手动管理权重w和b，手动计算 Loss，手动更新梯度。这对于理解原理很有帮助，但如果要搭建一个几百层的神经网络，这样写非得累死。

PyTorch 提供了强大的torch.nn模块，它封装了各种神经网络层（全连接层、卷积层、循环层）和损失函数。我们只需要像搭积木一样把它们拼在一起，就能构建出复杂的深度学习模型。

本节内容：

• nn.Module：神经网络的基类
• 常用层：nn.Linear,nn.ReLU
• 损失函数：nn.MSELoss,nn.CrossEntropyLoss
• 优化器：torch.optim(SGD, Adam)
• 实战练习：手写数字识别 (MNIST)

一、搭建神经网络：搭积木

在 PyTorch 中，所有的神经网络都必须继承nn.Module类。

1.1 定义模型结构

假设我们要解决昨天的线性回归问题y = wx + b，这在神经网络中就是一个全连接层 (Linear Layer)。

importtorchimporttorch.nnasnnclassLinearRegressionModel(nn.Module):def__init__(self):super().__init__()# 定义层：输入特征1个，输出特征1个# y = w * x + bself.linear=nn.Linear(in_features=1,out_features=1)defforward(self,x):# 定义前向传播路径out=self.linear(x)returnout model=LinearRegressionModel()print(model)

二、损失函数与优化器

2.1 损失函数 (Loss Function)

不需要手写(y-y_pred)**2了，直接调用：

• 回归问题：nn.MSELoss()(均方误差)
• 分类问题：nn.CrossEntropyLoss()(交叉熵)

2.2 优化器 (Optimizer)

不需要手写w -= lr * w.grad了，优化器帮我们管理所有参数的更新。

• SGD (随机梯度下降)：最基础，稳但慢。
• Adam：自适应学习率，快且收敛好（推荐）。

importtorch.optimasoptim criterion=nn.MSELoss()optimizer=optim.SGD(model.parameters(),lr=0.01)

三、完整的训练循环 (重构昨日代码)

看看代码变得多么简洁：

x_train=torch.rand(100,1)*10y_train=2*x_train+5+torch.randn(100,1)*0.5# 1. 实例化模型、损失、优化器model=LinearRegressionModel()criterion=nn.MSELoss()optimizer=optim.SGD(model.parameters(),lr=0.01)# 2. 训练循环forepochinrange(1000):# 前向y_pred=model(x_train)loss=criterion(y_pred,y_train)# 反向 (标准三步走)optimizer.zero_grad()# 清零loss.backward()# 求导optimizer.step()# 更新ifepoch%100==0:print(f"Epoch{epoch}, Loss:{loss.item():.4f}")# 查看学习到的参数# model.parameters() 是一个生成器forname,paraminmodel.named_parameters():print(name,param.item())

四、实战：手写数字识别 (MNIST)

这是深度学习界的"Hello World"。我们要训练一个网络，识别 0-9 的手写数字图片。

4.1 加载数据 (Torchvision)

PyTorch 提供了torchvision库，内置了常用数据集。

importtorchimporttorch.nnasnnimporttorch.optimasoptimfromtorchvisionimportdatasets,transformsfromtorch.utils.dataimportDataLoader# 数据预处理：转为 Tensor，并归一化transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,),(0.3081,))# MNIST的均值和标准差])# 下载数据集train_dataset=datasets.MNIST('./data',train=True,download=True,transform=transform)test_dataset=datasets.MNIST('./data',train=False,transform=transform)# 数据加载器 (自动分批次 Batch)train_loader=DataLoader(train_dataset,batch_size=64,shuffle=True)test_loader=DataLoader(test_dataset,batch_size=1000,shuffle=False)

4.2 定义网络 (多层感知机 MLP)

图片是 28x28 像素的，我们要把它拉平成 784 个特征，然后通过几层全连接层，最后输出 10 个分类的概率。

classMLP(nn.Module):def__init__(self):super().__init__()# 定义层self.fc1=nn.Linear(784,512)self.fc2=nn.Linear(512,256)self.fc3=nn.Linear(256,10)# 10分类self.relu=nn.ReLU()# 激活函数defforward(self,x):# x.shape: [64, 1, 28, 28] -> 展平 -> [64, 784]x=x.view(-1,784)x=self.relu(self.fc1(x))x=self.relu(self.fc2(x))x=self.fc3(x)# 最后一层不需要激活(CrossEntropyLoss会处理Softmax)returnx model=MLP()

4.3 训练与测试

device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")model.to(device)optimizer=optim.Adam(model.parameters(),lr=0.001)criterion=nn.CrossEntropyLoss()deftrain(epoch):model.train()# 切换到训练模式forbatch_idx,(data,target)inenumerate(train_loader):data,target=data.to(device),target.to(device)optimizer.zero_grad()output=model(data)loss=criterion(output,target)loss.backward()optimizer.step()ifbatch_idx%100==0:print(f"Epoch{epoch}[{batch_idx*len(data)}/{len(train_loader.dataset)}] Loss:{loss.item():.6f}")deftest():model.eval()# 切换到评估模式test_loss=0correct=0withtorch.no_grad():fordata,targetintest_loader:data,target=data.to(device),target.to(device)output=model(data)test_loss+=criterion(output,target).item()# 获取预测结果 (最大概率的索引)pred=output.argmax(dim=1,keepdim=True)correct+=pred.eq(target.view_as(pred)).sum().item()print(f'\nTest set: Accuracy:{correct}/{len(test_loader.dataset)}({100.*correct/len(test_loader.dataset):.2f}%)\n')# 运行 3 个 Epochforepochinrange(1,4):train(epoch)test()

运行只需几分钟，准确率通常能达到 98% 以上！

五、常见问题

Q1：model.train()和model.eval()有什么用？

有些层（如 Dropout, BatchNorm）在训练和测试时的行为是不一样的。

• 训练时：Dropout 会随机丢弃神经元。
• 测试时：Dropout 不工作，利用所有神经元。
  所以必须手动切换模式。

Q2：nn.ReLU是什么？

激活函数。如果没有它，多少层网络叠加最后都等价于一层线性变换（线性代数原理）。激活函数引入了非线性，让神经网络能拟合任意复杂的曲线。

Q3：view(-1, 784)是什么？

相当于 NumPy 的reshape。-1表示自动推断 Batch Size。

六、小结

关键要点：

1. nn.Module是所有模型的父类。
2. Optimizer帮我们自动更新权重。
3. DataLoader帮我们自动分批处理数据。
4. 三步走：zero_grad->backward->step，背下来！

七、课后作业

1. 保存模型：查阅torch.save和torch.load，将训练好的 MNIST 模型保存到硬盘，并写一个新的脚本加载它进行预测。
2. 卷积神经网络 (CNN)：将 MLP 改为 CNN（使用nn.Conv2d和nn.MaxPool2d）。CNN 提取图片特征的能力更强，准确率应该能达到 99%。
3. CIFAR-10：MNIST 是黑白的，尝试挑战 CIFAR-10 数据集（彩色图片分类，飞机、汽车、鸟等）。

下节预告

Day 80：项目篇 - 微信小程序后端开发 (上)- 深度学习有点烧脑，我们换个口味。明天开始，我们将开发一个微信小程序的后端 API，打通手机与服务器的连接。

系列导航：

• 上一篇：Day 78 - 深度学习PyTorch上
• 下一篇：Day 80 - 小程序后端开发上（待更新）