广州市学校网站建设公司快应用

广州市学校网站建设公司,快应用,公司部门名称及部门职能,百度收录提交网站后多久收录浙大疏锦行 神经网络是一种模拟人脑神经元连接结构的分层模型#xff0c;核心通过“输入层→隐藏层→输出层”的架构实现端到端学习#xff0c;无需手动设计特征#xff0c;能自动提取数据中的高阶非线性关系#xff08;如心脏病风险与年龄、血压的复杂关联#xff09;。…浙大疏锦行神经网络是一种模拟人脑神经元连接结构的分层模型核心通过“输入层→隐藏层→输出层”的架构实现端到端学习无需手动设计特征能自动提取数据中的高阶非线性关系如心脏病风险与年龄、血压的复杂关联。其关键优势在于通过激活函数打破线性限制——若缺少激活函数无论网络层数多少最终都等价于单层线性模型无法拟合“血压高且胆固醇高时风险翻倍”这类交互模式。实践中隐藏层常用ReLU激活函数平衡计算效率与梯度稳定性输出层则根据任务适配二分类用Sigmoid输出概率多分类用Softmax生成类别分布回归任务则无需激活函数。损失函数是神经网络的“性能标尺”核心作用是量化模型预测值与真实标签的差距既为参数优化提供明确目标也能通过训练/验证损失变化判断模型拟合状态如验证损失上升提示过拟合。不同任务需匹配对应的损失函数心脏病二分类任务常用二元交叉熵直接优化概率输出适配Sigmoid激活回归任务如风险评分预测适合均方误差多分类任务如风险等级划分则用 categorical 交叉熵。而梯度下降是实现参数优化的核心思想本质是沿损失函数的梯度反方向迭代调整权重与偏置如同“朝下山最陡的方向逐步靠近山脚”通过公式θ θ - η·∇L(θ)更新参数η为学习率∇L(θ)为梯度。根据数据量不同梯度下降可分为批量全样本计算稳定但低效、随机单样本计算快速但震荡和小批量批次样本计算兼顾速度与稳定性三类其中小批量梯度下降是工程实践的首选如心脏病项目默认采用。优化器是梯度下降的工程化改进方案核心目标是解决原始梯度下降学习率难调、收敛慢、震荡剧烈等痛点。常用优化器中Adam是多数场景的首选它结合了动量模拟惯性减少震荡和自适应学习率对高频参数调小步长收敛快且无需复杂调参SGDMomentum泛化性更强适合追求极致性能的场景AdamW则在Adam基础上增加权重衰减能有效缓解过拟合适用于深度学习项目。这些概念在实际项目中形成完整闭环以心脏病分类任务为例先构建“输入层特征→隐藏层ReLU激活→输出层Sigmoid激活”的神经网络结构用二元交叉熵作为损失函数量化预测误差通过Adam优化器基于梯度下降思想迭代更新参数最终得到能准确预测患病风险的模型。若数据量较小可先用XGBoost等传统模型搭建基线再根据数据规模升级为神经网络而神经网络的黑箱特性可通过SHAP等工具进行解释实现性能与可解释性的平衡。深度学习主要是简单的并行计算所以gpu优势更大简单的计算cpu发挥不出来他的价值我们之前说过显卡和cpu的区别1. cpu是1个博士生能够完成复杂的计算串行能力强。2. gpu是100个小学生能够完成简单的计算人多计算的快。这里的gpu指的是英伟达的显卡它支持cuda可以提高并行计算的能力。import torch torch.cuda 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。)上述这段代码可以以后不断复用检查是否有pytorch及cuda相关信息# 仍然用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)模型架构定义定义一个简单的全连接神经网络模型包含一个输入层、一个隐藏层和一个输出层。定义层数定义前向传播顺序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 # 前三行是八股文后面的是自定义的 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()模型训练CPU版本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)开始循环训练实际上在训练的时候可以同时观察每个epoch训练完后测试集的表现测试集的loss和准确度# 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})如果你重新运行上面这段训练循环模型参数、优化器状态和梯度会继续保留导致训练结果叠加模型参数和优化器状态如动量、学习率等不会被重置。这会导致训练从之前的状态继续而不是从头开始可视化结果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()