一、PyTorch和cuda的安装
二、查看显卡信息的命令行命令（cmd中）
三、cuda的检查
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(f"CUDA版本: {cuda_version}") else: print("CUDA不可用。")四、简单神经网络的流程
1.数据预处理（归一化、转化为张量）
注意事项：
- 分类任务中，若标签为整数（如0/1/2类别），需转换为long型（对应PyTorch中的torch.long），否则交叉熵损失函数会报错。
- 回归任务中标签需转换为float类型（如torch.float32）
# 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_size=0.2, random_state=42) # 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)2.模型的定义
2.1继承nn.Module类
2.2定义每一个层
2.3定义前向传播流程
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 # 前三行通用，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() # def forward(self,x): #前向传播 # x=torch.relu(self.fc1(x)) #激活函数 # x=self.fc2(x) #输出层不需要激活函数，因为后面会用到交叉熵函数cross_entropy # return x3.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(), lr=0.01) # # 使用自适应学习率的化器 # optimizer = optim.Adam(model.parameters(), lr=0.001)4.定义训练流程
# 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epoch+1是从当前epoch开始，每100个epoch打印一次 print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')5.可视化loss流程
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()@浙大疏锦行
