企业官网建设流程全解析

@浙大疏锦行

📘 Day 33 实战作业：深度学习 Hello World —— 手搓神经网络

1. 作业综述

核心目标：

1. 环境配置：确认 PyTorch 环境安装成功（这是深度学习的第一道门槛）。
2. 数据张量化：学会将 Numpy 数组转换为 PyTorch 认识的Tensor (张量)。
3. 模型定义：继承nn.Module，亲手搭建一个多层感知机 (MLP)。
4. 训练循环：理解并实现“前向传播 -> 计算 Loss -> 反向传播 -> 更新参数”的经典四步走。

涉及知识点：

• PyTorch 基础:torch.Tensor,nn.Module,nn.Linear,nn.ReLU.
• 优化器:torch.optim.SGD(随机梯度下降).
• 损失函数:nn.CrossEntropyLoss(交叉熵).

场景类比：

• sklearn: 像是吃泡面，开水一泡（fit）就能吃（predict），但口味固定。
• PyTorch: 像是进厨房做菜，你要自己切菜（定义层）、炒菜（前向传播）、尝咸淡（计算 Loss）、加盐（更新参数）。虽然麻烦，但这才是大厨的必经之路。

步骤 1：数据准备 (Numpy to Tensor)

场景描述：
神经网络对数据非常敏感。

1. 数值敏感：必须进行归一化（MinMax 或 Standard），否则梯度会乱飞。
2. 类型敏感：PyTorch 不认识 Numpy 数组，必须转成Tensor。特征通常是FloatTensor(浮点数)，分类标签必须是LongTensor(长整型)。

任务：

1. 加载 Iris 数据集并划分训练/测试集。
2. 使用MinMaxScaler进行归一化。
3. 关键：将数据转换为 PyTorch 的 Tensor 格式。

importtorchimportnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportMinMaxScaler# 1. 加载数据iris=load_iris()X=iris.data y=iris.target# 2. 划分数据X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 3. 归一化 (神经网络标准动作)scaler=MinMaxScaler()X_train=scaler.fit_transform(X_train)X_test=scaler.transform(X_test)# 4. 转换为 Tensor (关键步骤)# 特征转为 FloatTensor (32位浮点), 标签转为 LongTensor (64位整型，交叉熵要求)X_train_tensor=torch.FloatTensor(X_train)y_train_tensor=torch.LongTensor(y_train)X_test_tensor=torch.FloatTensor(X_test)y_test_tensor=torch.LongTensor(y_test)print(f"训练集 Tensor 形状:{X_train_tensor.shape}")print(f"标签 Tensor 类型:{y_train_tensor.dtype}")

训练集 Tensor 形状: torch.Size([120, 4]) 标签 Tensor 类型: torch.int64

步骤 2：搭建神经网络 (Subclassing nn.Module)

场景描述：
我们要搭建一个简单的MLP (多层感知机)来处理 Iris 分类。
输入是 4 个特征，输出是 3 个类别。中间加一层隐藏层（比如 10 个神经元）和激活函数。

PyTorch 建模八股文：

1. 定义类，继承nn.Module。
2. 在__init__里定义有哪些层（零件）。
3. 在forward里定义数据怎么流向（组装）。

任务：
定义SimpleMLP类，包含：输入层(4)->隐藏层(10)->ReLU->输出层(3)。

importtorch.nnasnnclassSimpleMLP(nn.Module):def__init__(self):super(SimpleMLP,self).__init__()# 标准起手式# 定义层 (零件)# 4 -> 10self.fc1=nn.Linear(in_features=4,out_features=10)# 激活函数self.relu=nn.ReLU()# 10 -> 3 (输出层)self.fc2=nn.Linear(in_features=10,out_features=3)defforward(self,x):# 定义前向传播路径 (组装)# x -> fc1 -> relu -> fc2 -> outputout=self.fc1(x)out=self.relu(out)out=self.fc2(out)# 注意：这里不需要 Softmax，因为 CrossEntropyLoss 自带了returnout# 实例化模型model=SimpleMLP()print(model)

SimpleMLP( (fc1): Linear(in_features=4, out_features=10, bias=True) (relu): ReLU() (fc2): Linear(in_features=10, out_features=3, bias=True) )

步骤 3：训练循环 (The Training Loop)

场景描述：
这是 PyTorch 最劝退也最核心的部分。
不同于model.fit()一键搞定，我们需要手写循环：

1. 前向传播: 算出预测值。
2. 计算损失: 预测值和真实值差多少？
3. 梯度清零: 把上一步的梯度倒掉，别累积。
4. 反向传播: 算出每个参数该怎么调。
5. 参数更新: 迈出一步 (Step)。

任务：

1. 定义损失函数CrossEntropyLoss和 优化器SGD。
2. 编写 1000 轮的训练循环，并记录 Loss 变化。
3. 绘制 Loss 曲线。

importtorch.optimasoptimimportmatplotlib.pyplotasplt# 1. 定义 Loss 和 Optimizercriterion=nn.CrossEntropyLoss()# 学习率 lr=0.1optimizer=optim.SGD(model.parameters(),lr=0.1)# 2. 开始训练epochs=1000loss_history=[]print("🚀 开始训练...")forepochinrange(epochs):# --- A. 前向传播 ---outputs=model(X_train_tensor)loss=criterion(outputs,y_train_tensor)# --- B. 反向传播与优化 (核心三件套) ---optimizer.zero_grad()# 1. 梯度清零loss.backward()# 2. 反向传播求梯度optimizer.step()# 3. 更新参数# 记录 Lossloss_history.append(loss.item())if(epoch+1)%100==0:print(f"Epoch [{epoch+1}/{epochs}], Loss:{loss.item():.4f}")# 3. 可视化训练过程plt.plot(loss_history)plt.title("Training Loss")plt.xlabel("Epoch")plt.ylabel("Loss")plt.show()print("✅ 训练完成！")

🚀 开始训练... Epoch [100/1000], Loss: 0.5708 Epoch [200/1000], Loss: 0.3821 Epoch [300/1000], Loss: 0.2937 Epoch [400/1000], Loss: 0.2323 Epoch [500/1000], Loss: 0.1876 Epoch [600/1000], Loss: 0.1555 Epoch [700/1000], Loss: 0.1325 Epoch [800/1000], Loss: 0.1160 Epoch [900/1000], Loss: 0.1040 Epoch [1000/1000], Loss: 0.0951

✅ 训练完成！

🎓 Day 33 总结：打开“白盒”

恭喜你完成了第一个 PyTorch 神经网络！
今天我们最大的收获是打破了黑盒。

sklearn vs PyTorch 对照表：

虽然代码变多了，但你现在拥有了无限的自由。你可以随意修改层数、随意改变数据流向、随意自定义损失函数。这就是深度学习的魅力。

Next Level:
既然有了模型，怎么评估它的好坏？怎么保存它？明天我们将继续完善这个工程！