河南电商网站开发,整站优seo排名点击,代发网站建设教程,网站如何做百度权重目录
一、实验介绍 二、实验环境
1. 配置虚拟环境
2. 库版本介绍
三、实验内容 0. 导入必要的工具包
1. __init__(构造函数)
2. update函数(更新评价指标)
5. accumulate(计算准确率)
4. reset(重置评价指标)
5. 构造数据进行测试
6. 代码整合 一、实验介绍 本文将实…目录
一、实验介绍 二、实验环境
1. 配置虚拟环境
2. 库版本介绍
三、实验内容 0. 导入必要的工具包
1. __init__(构造函数)
2. update函数(更新评价指标)
5. accumulate(计算准确率)
4. reset(重置评价指标)
5. 构造数据进行测试
6. 代码整合 一、实验介绍 本文将实现一个辅助功能——计算预测的准确率。Accuracy支持对每一个回合中每批数据进行评价并将结果累积最终获得整批数据的评价结果。
在训练或验证过程中迭代地调用update方法来更新评价指标使用accumulate方法获取累计的准确率通过reset方法重置评价指标以便进行下一轮的计算。 二、实验环境 本系列实验使用了PyTorch深度学习框架相关操作如下
1. 配置虚拟环境 conda create -n DL python3.7 conda activate DL pip install torch1.8.1cu102 torchvision0.9.1cu102 torchaudio0.8.1 -f https://download.pytorch.org/whl/torch_stable.htmlconda install matplotlib conda install scikit-learn 2. 库版本介绍
软件包本实验版本目前最新版matplotlib3.5.33.8.0numpy1.21.61.26.0python3.7.16scikit-learn0.22.11.3.0torch1.8.1cu1022.0.1torchaudio0.8.12.0.2torchvision0.9.1cu1020.15.2 三、实验内容
ChatGPT 前馈神经网络Feedforward Neural Network是一种常见的人工神经网络模型也被称为多层感知器Multilayer PerceptronMLP。它是一种基于前向传播的模型主要用于解决分类和回归问题。 前馈神经网络由多个层组成包括输入层、隐藏层和输出层。它的名称前馈源于信号在网络中只能向前流动即从输入层经过隐藏层最终到达输出层没有反馈连接。 以下是前馈神经网络的一般工作原理 输入层接收原始数据或特征向量作为网络的输入每个输入被表示为网络的一个神经元。每个神经元将输入加权并通过激活函数进行转换产生一个输出信号。 隐藏层前馈神经网络可以包含一个或多个隐藏层每个隐藏层由多个神经元组成。隐藏层的神经元接收来自上一层的输入并将加权和经过激活函数转换后的信号传递给下一层。 输出层最后一个隐藏层的输出被传递到输出层输出层通常由一个或多个神经元组成。输出层的神经元根据要解决的问题类型分类或回归使用适当的激活函数如Sigmoid、Softmax等将最终结果输出。 前向传播信号从输入层通过隐藏层传递到输出层的过程称为前向传播。在前向传播过程中每个神经元将前一层的输出乘以相应的权重并将结果传递给下一层。这样的计算通过网络中的每一层逐层进行直到产生最终的输出。 损失函数和训练前馈神经网络的训练过程通常涉及定义一个损失函数用于衡量模型预测输出与真实标签之间的差异。常见的损失函数包括均方误差Mean Squared Error和交叉熵Cross-Entropy。通过使用反向传播算法Backpropagation和优化算法如梯度下降网络根据损失函数的梯度进行参数调整以最小化损失函数的值。 前馈神经网络的优点包括能够处理复杂的非线性关系适用于各种问题类型并且能够通过训练来自动学习特征表示。然而它也存在一些挑战如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战一些改进的网络结构和训练技术被提出如卷积神经网络Convolutional Neural Networks和循环神经网络Recurrent Neural Networks等。 本系列为实验内容对理论知识不进行详细阐释
咳咳其实是没时间整理待有缘之时回来填坑
0. 导入必要的工具包 import torch
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoaderDataset和DataLoader类用于处理数据集和数据加载 这段代码定义了一个名为Accuracy的类用于支持分批进行模型评价特别是在分类任务中计算准确率。
1. __init__(构造函数) class Accuracy:def __init__(self, is_logistTrue):self.num_correct 0self.num_count 0self.is_logist is_logist 构造函数在创建Accuracy对象时被调用。它接受一个可选的参数is_logist默认为True用于指示是否为logist形式的预测值。self.num_correct用于记录正确预测的样本个数。self.num_count用于记录总样本个数。self.is_logist指示是否为logist形式的预测值。 2. update函数(更新评价指标) def update(self, outputs, labels):if outputs.shape[1] 1:outputs outputs.squeeze(-1)if self.is_logist:preds (outputs 0).long()else:preds (outputs 0.5).long()else:preds torch.argmax(outputs, dim1).long()labels labels.squeeze(-1)batch_correct (predslabels).float().sum()batch_count len(labels)self.num_correct batch_correctself.num_count batch_countupdate方法用于更新评价指标。它接受两个参数outputs和labels分别表示模型的预测输出和真实标签。根据outputs的形状判断任务类型。 如果outputs是二维张量且第二维大小为1那么表示是二分类任务。 如果is_logistTrue则将outputs通过阈值0转换为预测值preds并将其转换为整数类型。 如果is_logistFalse则将outputs通过阈值0.5转换为预测值preds并将其转换为整数类型。 如果outputs是二维张量且第二维大小大于1表示是多分类任务。此时将outputs中概率最大的类别作为预测值preds。将labels去除多余的维度并计算本批数据中预测正确的样本个数batch_correct。获取本批数据的样本个数batch_count。更新num_correct和num_count累积计算正确样本个数和总样本个数。
5. accumulate(计算准确率) def accumulate(self):if self.num_count 0:return 0return self.num_correct / self.num_count accumulate方法用于计算准确率。 如果num_count为0表示没有进行过更新返回0。否则返回正确样本个数除以总样本个数的比例即准确率。
4. reset(重置评价指标) def reset(self):self.num_correct 0self.num_count 0 reset方法用于重置评价指标将num_correct和num_count重置为0以便进行下一轮评价。 5. 构造数据进行测试 y torch.tensor([0, 2])
y_hat torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
acc Accuracy()
acc.update(y_hat, y)
acc.num_correct 6. 代码整合
import torch# 支持分批进行模型评价的 Accuracy 类
class Accuracy:def __init__(self, is_logistTrue):# 正确样本个数self.num_correct 0# 样本总数self.num_count 0self.is_logist is_logistdef update(self, outputs, labels):# 判断是否为二分类任务if outputs.shape[1] 1:outputs outputs.squeeze(-1)# 判断是否是logit形式的预测值if self.is_logist:preds (outputs 0).long()else:preds (outputs 0.5).long()else:# 多分类任务时计算最大元素索引作为类别preds torch.argmax(outputs, dim1).long()# 获取本批数据中预测正确的样本个数labels labels.squeeze(-1)batch_correct (preds labels).float().sum()batch_count len(labels)# 更新self.num_correct batch_correctself.num_count batch_countdef accumulate(self):# 使用累计的数据计算总的评价指标if self.num_count 0:return 0return self.num_correct / self.num_countdef reset(self):self.num_correct 0self.num_count 0y torch.tensor([0, 2])
y_hat torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
acc Accuracy()
acc.update(y_hat, y)
acc.num_correct
