知识点回顾：
- PyTorch和cuda的安装
- 查看显卡信息的命令行命令（cmd中使用）
- cuda的检查
- 简单神经网络的流程
- 数据预处理（归一化、转换成张量）
- 模型的定义
- 继承nn.Module类
- 定义每一个层
- 定义前向传播流程
- 定义损失函数和优化器
- 定义训练流程
- 可视化loss过程
预处理补充：
注意事项：
1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错
2. 回归任务中，标签需转为float类型（如torch.float32）
作业：今日的代码，要做到能够手敲。这已经是最简单最基础的版本了
PyTorch这个专门用于深度学习的包，就跟之前的库一样的安装就好，至于cuda，英伟达的gpu可以装这个，不是的话装个cpu版的PyTorch就行了，要用gpu上云服务器就好。cpu和gpu区别就是：
- cpu是1个博士生，能够完成复杂的计算，串行能力强
- gpu是100个小学生，能够完成简单的计算，人多计算的快
显卡信息和cuda的检查就不说了，反正今天也没用上，直接用鸢尾花数据集通过一个全连接的神经网络训练走一下流程
今天用到的库
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.ensemble import RandomForestClassifier
import torch # PyTorch 的基础库，提供张量（Tensor）操作和基本数学计算功能
import torch.nn as nn # PyTorch 的神经网络模块，提供预定义的层、损失函数和模型容器，模型构建的基类（nn.Module，所有自定义模型需继承此类）
import torch.optim as optim # 提供优化算法，用于更新模型参数（如梯度下降）
import matplotlib.pyplot as plt1、数据预处理
# 加载鸢尾花数据集
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['target'] = iris.target # 添加目标列（0-2类：山鸢尾、杂色鸢尾、维吉尼亚鸢尾）
# 特征与目标变量
features = iris.feature_names # 4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
target = 'target' # 目标列名
# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(
df[features], df[target], test_size=0.2, random_state=42
)
# 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
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
X_train = torch.FloatTensor(X_train)
X_test = torch.FloatTensor(X_test)
y_train = torch.LongTensor(y_train)
y_test = torch.LongTensor(y_test.to_numpy()) # 不知道为什么就这一句要报错，奇怪，说不能直接转换series，改成numpy数组形式就可以了2、定义一个神经网络
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().__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) # nn.Linear全连接层（线性变换)，输入层到隐藏层，4维输入 → 10维输出
self.relu = nn.ReLU() # 激活函数，引入非线性
self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层，10维输入 → 3维输出
# 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): # 前向传播，定义了数据如何流过网络
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out
# 实例化模型
model = MLP()3、定义一下训练用的损失函数和优化器
# 分类问题使用交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 使用自适应学习率优化器，第一个参数表明传入模型的所有参数
optimizer = optim.Adam(model.parameters(), lr=0.01)4、训练
# 训练模型
num_epochs = 400 # 训练的轮数
# 用于存储每个 epoch 的损失值，用于后续绘制训练曲线
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()) # loss.item() 将单值张量转为 Python 的 float 或 int，才能添加到列表里面
# 打印训练信息
if (epoch + 1) % 20 == 0: # range是从0开始，所以epoch+1是从当前epoch开始，每20个epoch打印一次
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')Epoch [20/400], Loss: 0.0594
Epoch [40/400], Loss: 0.0547
Epoch [60/400], Loss: 0.0519
Epoch [80/400], Loss: 0.0502
Epoch [100/400], Loss: 0.0490
Epoch [120/400], Loss: 0.0482
Epoch [140/400], Loss: 0.0477
Epoch [160/400], Loss: 0.0473
Epoch [180/400], Loss: 0.0471
Epoch [200/400], Loss: 0.0469
Epoch [220/400], Loss: 0.0468
Epoch [240/400], Loss: 0.0467
Epoch [260/400], Loss: 0.0467
Epoch [280/400], Loss: 0.0466
Epoch [300/400], Loss: 0.0466
Epoch [320/400], Loss: 0.0466
Epoch [340/400], Loss: 0.0466
Epoch [360/400], Loss: 0.0466
Epoch [380/400], Loss: 0.0466
Epoch [400/400], Loss: 0.0466看得出来loss到后面已经稳定了，说明实现了收敛，可以画图看看
5、可视化loss曲线
plt.plot(range(num_epoch), looses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.show()
@浙大疏锦行
