PyTorch式神经器(1)----基石篇

人工智能

2023-10-17 11:44:34

神经网络从入门到精通：探索 PyTorch 式神经网络的神奇世界

理解神经网络：大脑的数字化灵感

神经网络从人脑中汲取灵感，创造出复杂的数学模型来处理信息。就像神经元如何接收和处理电信号，神经网络接收和处理数据，学习从中提取模式和见解。

PyTorch：神经网络开发的强大工具

PyTorch 是一个开源的深度神经网络库，基于称为张量的多维数据结构。它提供了操作张量并构建神经网络模型的工具，从而轻松实现复杂的计算。

神经网络构造：层层演绎的架构

神经网络通常由多个层组成，每层都有其特定功能：

输入层： 接收原始数据。
隐含层： 处理和转换数据，提取特征和模式。
输出层： 生成最终结果或预测。

循序渐进：由简入繁的神经网络搭建

创建神经网络是一个逐步的过程，从简单的单隐藏层模型开始：

创建神经网络： 使用 PyTorch 的神经网络模块轻松构建神经网络结构。
定义损失函数： 衡量模型输出与预期结果之间的差异。
使用优化器： 自动调整模型参数以最小化损失函数。

实战案例：让神经网络学习正弦函数

为了展示神经网络的强大功能，让我们创建一个神经网络来学习正弦函数：

import torch
import torch.nn as nn

# 搭建单隐藏层神经网络
model = nn.Sequential(
    nn.Linear(1, 10),  # 输入层到隐含层的连接
    nn.ReLU(),  # 激活函数
    nn.Linear(10, 1)  # 隐含层到输出层的连接
)

# 设定损失函数
criterion = nn.MSELoss()

# 使用优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 训练神经网络
for epoch in range(1000):
    # 生成训练数据
    x = torch.rand(100, 1)
    y = torch.sin(x)

    # 前向传播
    outputs = model(x)

    # 计算损失
    loss = criterion(outputs, y)

    # 反向传播
    loss.backward()

    # 更新权重
    optimizer.step()

    # 输出训练进度
    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch + 1}/1000], Loss: {loss.item()}')

# 训练完成
print('训练完成！神经网络已学会近似正弦函数。')