2022Q软件工程第二次作业：深度学习和pytorch基础+pytorch基础练习_深度学习pytorch期末大作业

第一部分 深度学习和pytorch基础

01绪论

01绪论-视频学习资料

人工智能和机器学习概述

1. 人工智能军备竞赛

2. …

3. 什么是人工智能

4. 人工智能的起源

5. 图灵与人工智能

图灵测试

验证码系统

模仿游戏

6. 人工智能发展性事件

7. 人工智能发展阶段

8. **人工智能的三个层面**

1. 计算智能：能存能算

   ”深蓝“——深蓝算法

2. 感知智能：能听会说、能看会认

   类似于人的视觉、听觉、触觉等感知能力

3. 认知智能：能思考、会理解

   逻辑推理、知识理解、决策思，概念、意识、观念都属于认知智能。

9. 人工智能的应用 1. 人工智能+金融

2. 人工智能+内容创作

4. 人工智能+机器人

10. 人工智能>机器学习>深度学习

1. 人工智能：一个目标、邻域

2. 机器学习：实现人工智能的一类方法

3. 深度学习：机器学习的一部分

4. 一些例子
1
2
3
4
5
6
7

5. 知识工程与机器学习
   
   
   
   
   

11. 机器学习

1. 机器学习的定义——>从数据中自动提取知识

       最常用定义：“计算机系统能够利用经验提高自身的性能从数据中自动提取知识”

       可操作定义：“机器学习本质是一个基于经验数据的函数估计问题”

       统计学定义：提取重要模式、趋势、并理解数据，即从数据中学习。

2. 机器学习怎么学——模型、策略、算法
	![在这里插入图片描述](https://img-blog.csdnimg.cn/f95ab9d4d4cc4334a9472150dc3c914d.png)

   1.模型分类·：
1
2
3
4
5
6
7
8
9
10
11
12

2. 数据标记

3.数据分布

4.建模对象

安利-机器学习书籍推荐

02深度学习概述

深度学习

人工智能-机器学习-深度学习

人工设计特征

传统机器学习与深度学习

前深度学习

后深度学习

下棋-人工智能-博弈搜索树-暴力搜索

感知器

神经网络-深度学习的几个大人物

卷积神经网络

神经网络改名叫深度学习

深度学习：算法、算力、数据

神经网络结构的发展

ImageNet比赛


该比赛被淘汰—低于人类

深度学习的琴棋书画

Google无人驾驶自行车

用户放在首位：

自动调整脚踏板、’倒了自己起来、遇到危险自己停车、随时调控让自行车来指定位置接我。。。。。。
1

第二部分 pytorch基础练习

Spiral classifciation螺旋分类

pip install  wget
1

Requirement already satisfied: wget in c:\users\asus\anaconda3\lib\site-packages (3.2)
Note: you may need to restart the kernel to use updated packages.
1
2

import wget
#引入基本的库
url='https://raw.githubusercontent.com/Atcold/pytorch-Deep-Learning/master/res/plot_lib.py'
file_name=wget.download(url)
print(file_name)
1
2
3
4
5

plot_lib (4).py
1

!wget https://raw.githubusercontent.com/Atcold/pytorch-Deep-Learning/master/res/plot_lib.py
报错：‘wget’ 不是内部或外部命令，也不是可运行的程序
或批处理文件。

import random
import torch
from torch import nn, optim
import math
from IPython import display
from plot_lib import plot_data, plot_model, set_default



# 因为colab是支持GPU的，torch 将在 GPU 上运行
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print('device: ', device)

# 初始化随机数种子。神经网络的参数都是随机初始化的，
# 不同的初始化参数往往会导致不同的结果，当得到比较好的结果时我们通常希望这个结果是可以复现的，
# 因此，在pytorch中，通过设置随机数种子也可以达到这个目的
seed = 12345
random.seed(seed)
torch.manual_seed(seed)

N = 1000  # 每类样本的数量
D = 2  # 每个样本的特征维度
C = 3  # 样本的类别
H = 100  # 神经网络里隐层单元的数量
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

device:  cpu
1

初始化 X 和 Y。 X 可以理解为特征矩阵，Y可以理解为样本标签。 结合代码可以看到，X的为一个 NxC 行， D 列的矩阵。C 类样本，每类样本是 N个，所以是 N*C 行。每个样本的特征维度是2，所以是 2列。

在 python 中，调用 zeros 类似的函数，第一个参数是 y方向的，即矩阵的行；第二个参数是 x方向的，即矩阵的列，大家得注意下，不要搞反了。下面结合代码看看 3000个样本的特征是如何初始化的。

X = torch.zeros(N * C, D).to(device)
Y = torch.zeros(N * C, dtype=torch.long).to(device)
for c in range(C):
    index = 0
    t = torch.linspace(0, 1, N) # 在[0，1]间均匀的取10000个数，赋给t
    # 下面的代码不用理解太多，总之是根据公式计算出三类样本（可以构成螺旋形）
    # torch.randn(N) 是得到 N 个均值为0，方差为 1 的一组随机数，注意要和 rand 区分开
    inner_var = torch.linspace( (2*math.pi/C)*c, (2*math.pi/C)*(2+c), N) + torch.randn(N) * 0.2
    
    # 每个样本的(x,y)坐标都保存在 X 里
    # Y 里存储的是样本的类别，分别为 [0, 1, 2]
    for ix in range(N * c, N * (c + 1)):
        X[ix] = t[index] * torch.FloatTensor((math.sin(inner_var[index]), math.cos(inner_var[index])))
        Y[ix] = c
        index += 1

print("Shapes:")
print("X:", X.size())
print("Y:", Y.size())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Shapes:
X: torch.Size([3000, 2])
Y: torch.Size([3000])
1
2
3

# visualise the data
plot_data(X, Y)
1
2

1.构建线性模型分类

learning_rate = 1e-3
lambda_l2 = 1e-5

# nn 包用来创建线性模型
# 每一个线性模型都包含 weight 和 bias
model = nn.Sequential(
    nn.Linear(D, H),
    nn.Linear(H, C)
)
model.to(device) # 把模型放到GPU上

# nn 包含多种不同的损失函数，这里使用的是交叉熵（cross entropy loss）损失函数
criterion = torch.nn.CrossEntropyLoss()

# 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)

# 开始训练
for t in range(1000):
    # 把数据输入模型，得到预测结果
    y_pred = model(X)
    # 计算损失和准确率
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = (Y == predicted).sum().float() / len(Y)
    print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
    display.clear_output(wait=True)

    # 反向传播前把梯度置 0 
    optimizer.zero_grad()
    # 反向传播优化 
    loss.backward()
    # 更新全部参数
    optimizer.step()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

[EPOCH]: 999, [LOSS]: 0.861541, [ACCURACY]: 0.504
1

这里对上面的一些关键函数进行说明:

使用 print(y_pred.shape) 可以看到模型的预测结果，为[3000, 3]的矩阵。每个样本的预测结果为3个，保存在 y_pred 的一行里。值最大的一个，即为预测该样本属于的类别

score, predicted = torch.max(y_pred, 1) 是沿着第二个方向（即X方向）提取最大值。最大的那个值存在 score 中，所在的位置（即第几列的最大）保存在 predicted 中。下面代码把第10行的情况输出，供解释说明

此外，大家可以看到，每一次反向传播前，都要把梯度清零，这个在知乎上有一个回答，大家可以参考：https://www.zhihu.com/question/303070254

print(y_pred.shape)
print(y_pred[10, :])
print(score[10])
print(predicted[10])
1
2
3
4

torch.Size([3000, 3])
tensor([-0.2245, -0.2594, -0.2080], grad_fn=<SliceBackward>)
tensor(-0.2080, grad_fn=<SelectBackward>)
tensor(2)
1
2
3
4

# Plot trained model
print(model)
plot_model(X, Y, model)
1
2
3

Sequential(
  (0): Linear(in_features=2, out_features=100, bias=True)
  (1): Linear(in_features=100, out_features=3, bias=True)
)
1
2
3
4

上面使用 print(model) 把模型输出，可以看到有两层：

第一层输入为 2（因为特征维度为主2），输出为 100；
第二层输入为 100 （上一层的输出），输出为 3（类别数）
从上面图示可以看出，线性模型的准确率最高只能达到 50% 左右，对于这样复杂的一个数据分布，线性模型难以实现准确分类。

2. 构建两层神经网络分类

learning_rate = 1e-3
lambda_l2 = 1e-5

# 这里可以看到，和上面模型不同的是，在两层之间加入了一个 ReLU 激活函数
model = nn.Sequential(
    nn.Linear(D, H),
    nn.ReLU(),
    nn.Linear(H, C)
)
model.to(device)

# 下面的代码和之前是完全一样的，这里不过多叙述
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=lambda_l2) # built-in L2

# 训练模型，和之前的代码是完全一样的
for t in range(1000):
    y_pred = model(X)
    loss = criterion(y_pred, Y)
    score, predicted = torch.max(y_pred, 1)
    acc = ((Y == predicted).sum().float() / len(Y))
    print("[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f" % (t, loss.item(), acc))
    display.clear_output(wait=True)
    
    # zero the gradients before running the backward pass.
    optimizer.zero_grad()
    # Backward pass to compute the gradient
    loss.backward()
    # Update params
    optimizer.step()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

[EPOCH]: 999, [LOSS]: 0.178388, [ACCURACY]: 0.949
1

# Plot trained model
print(model)
plot_model(X, Y, model)
1
2
3

Sequential(
  (0): Linear(in_features=2, out_features=100, bias=True)
  (1): ReLU()
  (2): Linear(in_features=100, out_features=3, bias=True)
)
1
2
3
4
5

1