超简单的神经网络构建方法,你上你也行!

栏目: IT技术 · 发布时间: 4年前

超简单的神经网络构建方法,你上你也行!

全文共 2392 字,预计学习时长 11 分钟

超简单的神经网络构建方法,你上你也行!

图源:unsplash

人工智能,深度学习,这些词是不是听起来就很高大上,充满了神秘气息?仿佛是只对数学博士开放的高级领域?

错啦!在B站已经变成学习网站的今天,还有什么样的教程是网上找不到的呢?深度学习从未如此好上手,至少实操部分是这样。

假如你只是了解人工神经网络基础理论,却从未踏足如何编写,跟着本文一起试试吧。你将会对如何在PyTorch 库中执行人工神经网络运算,以预测原先未见的数据有一个基本的了解。

这篇文章最多10分钟就能读完;如果要跟着代码一步步操作的话,只要已经安装了必要的库,那么也只需15分钟。相信我,它并不难。

长话短说,快开始吧!

超简单的神经网络构建方法,你上你也行!

导入语句和数据集

在这个简单的范例中将用到几个库:

·        Pandas:用于数据加载和处理

·        Matplotlib: 用于数据可视化处理

·        PyTorch: 用于模型训练

·        Scikit-learn: 用于拆分训练集和测试集

超简单的神经网络构建方法,你上你也行!

图源:unsplash

如果仅仅是想复制粘贴的话,以下几条导入语句可供参考:

import torch
import torch.nn as nn
import torch.nn.functional as F
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

至于数据集,Iris数据集可以在 这个URL 上找到。下面演示如何把它直接导入

Pandas:
iris = pd.read_csv( https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/data/iris.csv )
iris.head()

前几行如下图所示:

超简单的神经网络构建方法,你上你也行!

现在需要将 Name列中鸢尾花的品种名称更改或者重映射为分类值。——也就是0、1、2。以下是步骤说明:

mappings = {
    Iris-setosa : 0,
    Iris-versicolor : 1,
    Iris-virginica : 2
}iris[ Name ] = iris[ Name ].apply(lambda x: mappings[x])

执行上述代码得到的DataFrame如下:

超简单的神经网络构建方法,你上你也行!

这恭喜你,你已经成功地迈出了第一步!

超简单的神经网络构建方法,你上你也行!

拆分训练集和测试集

在此环节,将使用 Scikit-Learn库拆分训练集和测试集。随后, 将拆分过的数据由 Numpy arrays 转换为PyTorchtensors。

超简单的神经网络构建方法,你上你也行!

图源:unsplash

首先,需要将Iris 数据集划分为“特征”和“ 标签集” ——或者是x和y。Name列是因变量而其余的则是“特征”(或者说是自变量)。

接下来笔者也将使用随机种子,所以可以直接复制下面的结果。代码如下:

X = iris.drop( Name , axis=1).values
y = iris[ Name ].valuesX_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=42)X_train = torch.FloatTensor(X_train)
X_test = torch.FloatTensor(X_test)
y_train = torch.LongTensor(y_train)
y_test = torch.LongTensor(y_test)

如果从 X_train 开始检查前三行,会得到如下结果:

超简单的神经网络构建方法,你上你也行!

从 y_train开始则得到如下结果:

超简单的神经网络构建方法,你上你也行!

地基已经打好,下一环节将正式开始搭建神经网络。

超简单的神经网络构建方法,你上你也行!

定义神经网络模型

模型的架构很简单。重头戏在于神经网络的架构:

1.输入层 (4个输入特征(即X所含特征的数量),16个输出特征(随机))

2.全连接层 (16个输入特征(即输入层中输出特征的数量),12个输出特征(随机))

3.输出层(12个输入特征(即全连接层中输出特征的数量),3个输出特征(即不同品种的数量)

大致就是这样。除此之外还将使用ReLU 作为激活函数。下面展示如何在代码里执行这个激活函数。

class ANN(nn.Module):
   def __init__(self):
       super().__init__()
       self.fc1 =nn.Linear(in_features=4, out_features=16)
       self.fc2 =nn.Linear(in_features=16, out_features=12)
       self.output =nn.Linear(in_features=12, out_features=3)
 
 def forward(self, x):
     x = F.relu(self.fc1(x))
     x = F.relu(self.fc2(x))
     x = self.output(x)
     return x

PyTorch使用的面向对象声明模型的方式非常直观。在构造函数中,需定义所有层及其架构,若使用forward(),则需定义正向传播。

接着创建一个模型实例,并验证其架构是否与上文所指的架构相匹配:

<span>model = ANN()</span>

<span>model</span>

在训练模型之前,需注明以下几点:

·        评价标准:主要使用 CrossEntropyLoss来计算损失

·        优化器:使用学习率为0.01的Adam 优化算法

下面展示如何在代码中执行CrossEntropyLoss和Adam :

<span><span>criterion</span> = nn.CrossEntropyLoss()</span>

<span><span>optimizer</span> = torch.optim.Adam(model.parameters(), lr=<span>0.01</span>)</span>

令人期盼已久的环节终于来啦——模型训练!

超简单的神经网络构建方法,你上你也行!

模型训练

这部分同样相当简单。模型训练将进行100轮, 持续追踪时间和损失。每10轮就向控制台输出一次当前状态——以指出目前所处的轮次和当前的损失。

代码如下:

%%timeepochs = 100
loss_arr = []for i in range(epochs):
   y_hat = model.forward(X_train)
   loss = criterion(y_hat, y_train)
   loss_arr.append(loss)
 
   if i % 10 == 0:
       print(f Epoch: {i} Loss: {loss} )
 
   optimizer.zero_grad()
   loss.backward()
   optimizer.step()

好奇最后三行是干嘛用的吗?答案很简单——反向传播——权重和偏置的更新使模型能真正地“学习”。

以下是上述代码的运行结果:

超简单的神经网络构建方法,你上你也行!

进度很快——但不要掉以轻心。

如果对纯数字真的不感冒,下图是损失曲线的可视化图(x轴为轮次编号,y轴为损失):

超简单的神经网络构建方法,你上你也行!

模型已经训练完毕,现在该干嘛呢?当然是模型评估。需要以某种方式在原先未见的数据上对这个模型进行评估。

超简单的神经网络构建方法,你上你也行!

模型评估

在评估过程中,欲以某种方式持续追踪模型做出的预测。需要迭代 X_test并进行预测,然后将预测结果与实际值进行比较。

这里将使用 torch.no_grad(),因为只是评估而已——无需更新权重和偏置。

总而言之,代码如下:

preds = []with torch.no_grad():
   for val in X_test:
       y_hat = model.forward(val)
      preds.append(y_hat.argmax().item())

现在预测结果被存储在 preds阵列。可以用下列三个值构建一个Pandas DataFrame。

·        Y:实际值

·        YHat: 预测值

·        Correct:对角线,对角线的值为1表示Y和YHat相匹配,值为0则表示不匹配

代码如下:

<span>df = pd.DataFrame({<span> Y </span>: y_test, <span> YHat </span><span>:preds</span>})df[<span> Correct </span>] = [<span>1</span> <span>if</span> corr == pred <span>else</span> <span>0</span> <span>for</span> corr, pred <span>in</span> zip(df[<span> Y </span>],df[<span> YHat </span>])]</span>

df 的前五行如下图所示:

超简单的神经网络构建方法,你上你也行!

下一个问题是,实际该如何计算精确度呢?

很简单——只需计算 Correct列的和再除以 df的长度:

<span>df[<span> Correct </span>].sum() / len(df)<span>&gt;&gt;&gt; </span><span>1.0</span></span>

此模型对原先未见数据的准确率为100%。但需注意这完全是因为Iris数据集非常易于归类,并不意味着对于Iris数据集来说,神经网络就是最好的算法。NN对于这类问题来讲有点大材小用,不过这都是以后讨论的话题了。

超简单的神经网络构建方法,你上你也行!

图源:unsplash

这可能是你写过最简单的神经网络,有着完美简洁的数据集、没有缺失值、层次最少、还有神经元!本文没有什么高级深奥的东西,相信你一定能够掌握它。

超简单的神经网络构建方法,你上你也行!

推荐阅读专题

超简单的神经网络构建方法,你上你也行!

超简单的神经网络构建方法,你上你也行!

超简单的神经网络构建方法,你上你也行!

超简单的神经网络构建方法,你上你也行!

超简单的神经网络构建方法,你上你也行!

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组:张泊玉、刘露敏

相关链接:

https://towardsdatascience.com/your-first-neural-network-in-pytorch-725631ae0fc

如转载,请后台留言,遵守转载规范

推荐文章阅读


以上所述就是小编给大家介绍的《超简单的神经网络构建方法,你上你也行!》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

产品经理手册(原书第4版)(白金版)

产品经理手册(原书第4版)(白金版)

[美] 琳达·哥乔斯(Linda Gorchels) / 祝亚雄、冯华丽、金骆彬 / 机械工业出版社 / 2017-8 / 65.00

产品经理的职责起点是新产品开发,贯穿产品生命周期的全过程。本书按上下游产品管理进行组织。 在上游的新产品开发流程中,作者阐述了如何从市场、产品、行业、公司的角度规划企划方案,并获得老板、销售部、运营部的资源支持,推进新产品的项目流程,实现所有目标,制定和实施新产品发布。 下游产品的管理核心在于生命周期的管理,营销更是生命周期管理的重中之重。产品经理如何让产品满足客户需求,让客户获得对产......一起来看看 《产品经理手册(原书第4版)(白金版)》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

URL 编码/解码
URL 编码/解码

URL 编码/解码

正则表达式在线测试
正则表达式在线测试

正则表达式在线测试