jsp网站安全性,网站开发都需要什么,洛阳洛龙区网络营销公司,wordpress加主题神经网络基本概念#xff1a; 神经元#xff08;Neuron#xff09;#xff1a; 神经网络的基本单元#xff0c;接收输入#xff0c;应用权重并通过激活函数生成输出。 层#xff08;Layer#xff09;#xff1a; 神经网络由多层神经元组成。常见的层包括输入层、隐藏层…神经网络基本概念 神经元Neuron 神经网络的基本单元接收输入应用权重并通过激活函数生成输出。 层Layer 神经网络由多层神经元组成。常见的层包括输入层、隐藏层和输出层。 权重Weights和偏置Biases 权重用于调整输入的重要性偏置用于调整模型的输出。 激活函数Activation Function 在神经元中引入非线性如ReLURectified Linear Unit、Sigmoid、Tanh等。 损失函数Loss Function 用于衡量模型预测与实际结果之间的差异如均方误差MSE、交叉熵损失等。 优化器Optimizer 用于调整模型权重以最小化损失函数如随机梯度下降SGD、Adam等。
简单的神经网络示例
下面是一个使用PyTorch构建简单线性回归的神经网络示例代码。这个示例展示了如何定义一个具有一个隐藏层的前馈神经网络并训练它来逼近一些随机生成的数据点。
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt# 生成一些随机数据
np.random.seed(0)
X np.linspace(0, 10, 100).reshape(-1, 1).astype(np.float32)
y np.sin(X) np.random.normal(0, 0.1, sizeX.shape).astype(np.float32)# 转换为PyTorch的张量
X_tensor torch.tensor(X)
y_tensor torch.tensor(y)# 定义一个简单的神经网络模型
class NeuralNet(nn.Module):def __init__(self):super(NeuralNet, self).__init__()self.fc1 nn.Linear(1, 10) # 输入层到隐藏层self.relu nn.ReLU() # 激活函数self.fc2 nn.Linear(10, 1) # 隐藏层到输出层def forward(self, x):x self.fc1(x)x self.relu(x)x self.fc2(x)return x# 实例化模型、损失函数和优化器
model NeuralNet()
criterion nn.MSELoss() # 均方误差损失函数
optimizer optim.Adam(model.parameters(), lr0.01) # Adam优化器# 训练模型
epochs 5000
losses []
for epoch in range(epochs):optimizer.zero_grad()outputs model(X_tensor)loss criterion(outputs, y_tensor)loss.backward()optimizer.step()losses.append(loss.item())if (epoch1) % 1000 0:print(fEpoch [{epoch1}/{epochs}], Loss: {loss.item():.6f})# 绘制损失函数变化图
plt.plot(losses, labelTraining loss)
plt.xlabel(Epochs)
plt.ylabel(Loss)
plt.legend()
plt.show()# 测试模型
model.eval()
with torch.no_grad():test_x torch.tensor([[5.0]]) # 测试输入predicted model(test_x)print(f预测值: {predicted.item()})运行结果展示: 代码理解
下面便是详细分解这段代码进行理解 生成数据 使用 numpy 生成一些随机的带有噪声的正弦函数数据。 import numpy as np# 生成带有正态分布噪声的正弦函数数据
def generate_data(n_samples):np.random.seed(0) # 设置随机种子以确保结果可复现X np.random.uniform(low0, high10, sizen_samples)y np.sin(X) np.random.normal(scale0.3, sizen_samples)return X, y# 生成数据
X_train, y_train generate_data(100)定义神经网络模型 NeuralNet 类继承自 nn.Module定义了一个具有一个隐藏层的前馈神经网络。使用ReLU作为隐藏层的激活函数。 import torch
import torch.nn as nn
import torch.optim as optim# 定义神经网络模型
class NeuralNet(nn.Module):def __init__(self):super(NeuralNet, self).__init__()self.fc1 nn.Linear(1, 10) # 输入大小为1X输出大小为10self.fc2 nn.Linear(10, 1) # 输入大小为10输出大小为1self.relu nn.ReLU()def forward(self, x):x self.relu(self.fc1(x))x self.fc2(x)return x# 实例化模型
model NeuralNet()# 打印模型结构
print(model)实例化模型、损失函数和优化器 model 是我们定义的神经网络模型。criterion 是损失函数这里使用均方误差损失。optimizer 是优化器这里使用Adam优化器来更新模型参数。 # 定义损失函数均方误差损失
criterion nn.MSELoss()# 定义优化器Adam优化器
optimizer optim.Adam(model.parameters(), lr0.01)训练模型 使用 X_tensor 和 y_tensor 进行训练优化模型使其逼近 y_tensor。 # 将numpy数组转换为PyTorch张量
X_tensor torch.tensor(X_train, dtypetorch.float32).view(-1, 1)
y_tensor torch.tensor(y_train, dtypetorch.float32).view(-1, 1)# 训练模型
def train_model(model, criterion, optimizer, X, y, epochs1000):model.train()for epoch in range(epochs):optimizer.zero_grad()output model(X)loss criterion(output, y)loss.backward()optimizer.step()if (epoch1) % 100 0:print(fEpoch [{epoch1}/{epochs}], Loss: {loss.item():.4f})train_model(model, criterion, optimizer, X_tensor, y_tensor)测试模型 使用 model.eval() 将模型切换到评估模式使用 torch.no_grad() 关闭梯度计算。测试输入为 5.0打印预测结果。 # 测试模型
model.eval()
with torch.no_grad():test_input torch.tensor([[5.0]], dtypetorch.float32)predicted_output model(test_input)print(f预测输入为 5.0 时的输出: {predicted_output.item():.4f})
