PyTorch神经网络实战：从设计到预测

### PyTorch 神经网络构建与训练全解析 #### 1. 特征标准化 在很多情况下，对特征进行标准化是一个很好的做法，即使并非总是必要（例如当所有特征都是二元特征时）。标准化的目的是让每个特征的值具有均值为 0 和标准差为 1 的特性。使用 scikit-learn 的 `StandardScaler` 可以轻松完成这一操作。 然而，如果你在创建了 `requires_grad=True` 的张量后需要进行标准化操作，就需要在 PyTorch 中直接实现，以免破坏计算图。以下是在 PyTorch 中实现特征标准化的代码： ```python import torch # Create features torch_features = torch.tensor([[-100.1, 3240.1], [-200.2, -234.1], [5000.5, 150.1], [6000.6, -125.1], [9000.9, -673.1]], requires_grad=True) # Compute the mean and standard deviation mean = torch_features.mean(0, keepdim=True) standard_deviation = torch_features.std(0, unbiased=False, keepdim=True) # Standardize the features using the mean and standard deviation torch_features_standardized = torch_features - mean torch_features_standardized /= standard_deviation # Show standardized features print(torch_features_standardized) ``` 运行上述代码后，输出的标准化特征如下： ``` tensor([[-1.1254, 1.9643], [-1.1533, -0.5007], [ 0.2953, -0.2281], [ 0.5739, -0.4234], [ 1.4096, -0.8122]], grad_fn=<DivBackward0>) ``` #### 2. 设计神经网络 当你想要设计一个神经网络时，可以使用 PyTorch 的 `nn.Module` 类来定义一个简单的神经网络架构。以下是具体的代码实现： ```python import torch import torch.nn as nn # Define a neural network class SimpleNeuralNet(nn.Module): def __init__(self): super(SimpleNeuralNet, self).__init__() self.fc1 = nn.Linear(10, 16) self.fc2 = nn.Linear(16, 16) self.fc3 = nn.Linear(16, 1) def forward(self, x): x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = nn.functional.sigmoid(self.fc3(x)) return x # Initialize the neural network network = SimpleNeuralNet() # Define loss function, optimizer loss_criterion = nn.BCELoss() optimizer = torch.optim.RMSprop(network.parameters()) # Show the network print(network) ``` 输出的网络结构如下： ``` SimpleNeuralNet( (fc1): Linear(in_features=10, out_features=16, bias=True) (fc2): Linear(in_features=16, out_features=16, bias=True) (fc3): Linear(in_features=16, out_features=1, bias=True) ) ``` 在构建前馈神经网络时，需要在网络架构和训练过程方面做出一些选择。每个隐藏层单元的工作流程如下： 1. 接收多个输入。 2. 为每个输入乘以一个参数值进行加权。 3. 将所有加权输入与偏置（通常为 0）相加。 4. 通常会应用一个激活函数。 5. 将输出传递给下一层的单元。 在设计神经网络时，还需要考虑以下几个方面： - **单元数量和激活函数**：对于隐藏层和输出层，需要定义每层包含的单元数量和激活函数。一般来说，层中的单元越多，网络能够学习的模式就越复杂，但也可能导致过拟合。对于隐藏层，常用的激活函数是修正线性单元（ReLU），其公式为 $f(z) = max(0, z)$。 - **隐藏层数量**：更多的隐藏层可以让网络学习更复杂的关系，但会增加计算成本。 - **输出层激活函数**：输出层激活函数的结构通常由网络的目标决定，常见的输出层模式如下表所示： | 问题类型 | 输出层模式 | | ---- | ---- | | 二元分类 | 一个单元，使用 sigmoid 激活函数 | | 多类分类 | k 个单元（k 为目标类别数），使用 softmax 激活函数 | | 回归 | 一个单元，不使用激活函数 | - **损失函数**：损失函数用于衡量预测值与真实值的匹配程度，常见的损失函数如下表所示： | 问题类型 | 损失函数 | | ---- | ---- | | 二元分类 | 二元交叉熵 | | 多类分类 | 类别交叉熵 | | 回归 | 均方误差 | - **优化器**：优化器可以看作是在损失函数上寻找产生最小误差的参数值的策略，常见的优化器有随机梯度下降、带动量的随机梯度下降、均方根传播和自适应矩估计等。 - **评估指标**：可以选择一个或多个指标来评估模型的性能，如准确率。 我们也可以使用 `Sequential` 类来定义神经网络，代码如下： ```python import torch # Define a neural network using `Sequential` class SimpleNeuralNet(nn.Module): def __init__(self): super(SimpleNeuralNet, self).__init__() self.sequential = torch.nn.Sequential( torch.nn.Linear(10, 16), torch.nn.ReLU(), torch.nn.Linear(16,16), torch.nn.ReLU(), torch.nn.Linear(16, 1), torch.nn.Sigmoid() ) def forward(self, x): x = self.sequential(x) return x # Instantiate and view the network print(SimpleNeuralNet()) ``` 输出的网络结构如下： ``` SimpleNeuralNet( (sequential): Sequential( (0): Linear(in_features=10, out_features=16, bias=True) (1): ReLU() (2): Linear(in_features=16, out_features=16, bias=True) (3): ReLU() (4): Linear(in_features=16, out_features=1, bias=True) (5): Sigmoid() ) ) ``` 这个网络是一个两层的神经网络（计算层数时不包括输入层，因为输入层没有需要学习的参数），每个层都是“密集”（也称为“全连接”）的，即前一层的所有单元都连接到下一层的所有单元。 #### 3. 训练二元分类器 如果你想训练一个二元分类器神经网络，可以使用 PyTorch 构建前馈神经网络并进行训练。具体步骤如下： 1. **导入必要的库**： ```python import torch import torch.nn as nn import numpy as np from torch.utils.data import DataLoader, TensorDataset from torch.optim import RMSprop from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split ``` 2. **创建训练集和测试集**： ```python features, target = make_classification(n_classes=2, n_features=10, n_samples=1000) features_train, features_test, target_train, target_test = train_test_split( features, target, test_size=0.1, random_state=1) ``` 3. **设置随机种子**： ```python torch.manual_seed(0) np.random.seed(0) ``` 4. **将数据转换为 PyTorch 张量**： ```python x_train = torch.from_numpy(features_train).float() y_train = torch.from_numpy(target_train).float().view(-1, 1) x_test = torch.from_numpy(features_test).float() y_test = torch.from_numpy(target_test).float().v ```