丹摩|使用服务器跑深度学习算法
丹摩|使用服务器跑深度学习算法 @ 文章目录 丹摩|使用服务器跑深度学习算法前言一、如何在服务器上跑代码二、如何跑通深度学习代码1.引入库2.生成简单数据3 右键新建一个ipynb4 最后点击运行结果如下总结 前言 深度学习是人工智能领域中备受瞩目的技术之一,它通过多层神经网络模拟人脑的学习过程,帮助计算机在语音识别、图像分类和自然语言处理等领域取得突破性进展。
·
丹摩|使用服务器跑深度学习算法
@
文章目录
- 丹摩|使用服务器跑深度学习算法
- 前言
- 一、如何在服务器上跑代码
- 二、如何跑通深度学习代码
- 1.引入库
- 2.生成简单数据
- 3 右键新建一个ipynb
- 4 最后点击运行结果如下
- 总结
前言
深度学习是人工智能领域中备受瞩目的技术之一,它通过多层神经网络模拟人脑的学习过程,帮助计算机在语音识别、图像分类和自然语言处理等领域取得突破性进展。相比传统机器学习,深度学习的一个重要特点是可以自动提取特征,而不需要人工定义特征,这大幅提升了效率和效果。
在本文中,我们将从简单的代码示例入手,介绍深度学习的基本算法和其背后的核心思想。
一、如何在服务器上跑代码
第一步,点击创建实例
第二步:选择自己心仪的服务器
第三步:点击立即创建
第四步 我们创建好实例点击进入
我们就来到了这个界面
二、如何跑通深度学习代码
我们用一个简单的深度学习代码示例,用于构建一个两层的神经网络来完成逻辑回归分类任务。我们使用 PyTorch 框架,针对一个简单的二分类任务(例如:判断输入点是属于类别0还是类别1)
1.引入库
代码如下(示例):
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
2.生成简单数据
代码如下(示例):
# 2. 定义简单的神经网络
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(2, 4) # 输入为2维,隐藏层为4维
self.fc2 = nn.Linear(4, 1) # 隐藏层为4维,输出为1维(二分类)
self.sigmoid = nn.Sigmoid() # 二分类激活函数
def forward(self, x):
x = torch.relu(self.fc1(x)) # 第一层激活函数ReLU
x = self.fc2(x) # 输出层
x = self.sigmoid(x) # 使用Sigmoid将输出转换为概率
return x
# 3. 初始化模型、损失函数和优化器
model = SimpleNN()
criterion = nn.BCELoss() # 二分类的交叉熵损失
optimizer = optim.Adam(model.parameters(), lr=0.01)
# 4. 训练模型
epochs = 100
losses = []
for epoch in range(epochs):
# 前向传播
outputs = model(x_data).squeeze() # 将模型输出展平
loss = criterion(outputs, y_data) # 计算损失
# 反向传播和优化
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播
optimizer.step() # 更新参数
losses.append(loss.item())
if (epoch + 1) % 10 == 0:
print(f"Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}")
# 5. 可视化训练损失
plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss')
plt.show()
# 6. 测试模型
with torch.no_grad():
test_point = torch.tensor([[0.6, 0.6], [0.2, 0.2]])
prediction = model(test_point).squeeze()
print("Test Points: ", test_point)
print("Predicted Probabilities: ", prediction)
3 右键新建一个ipynb
4 最后点击运行结果如下
总结
通过这个简单的深度学习代码示例,我们学习了如何使用 PyTorch 构建一个两层的神经网络来解决基本的二分类问题。从数据生成到模型训练,再到测试预测,我们完整地体验了深度学习的核心流程。
更多推荐
已为社区贡献3条内容
所有评论(0)