超简单的神经网络构建方法

人工智能，深度学习，这些词是不是听起来就很高大上，充满了神秘气息?仿佛是只对数学博士开放的高级领域?

错啦!在B站已经变成学习网站的今天，还有什么样的教程是网上找不到的呢?深度学习从未如此好上手，至少实操部分是这样。

假如你只是了解人工神经网络基础理论，却从未踏足如何编写，跟着本文一起试试吧。你将会对如何在PyTorch 库中执行人工神经网络运算，以预测原先未见的数据有一个基本的了解。

 

导入语句和数据集

在这个简单的范例中将用到几个库：

• Pandas:用于数据加载和处理
• Matplotlib: 用于数据可视化处理
• PyTorch: 用于模型训练
• Scikit-learn: 用于拆分训练集和测试集

如果仅仅是想复制粘贴的话，以下几条导入语句可供参考：

 

恭喜你，你已经成功地迈出了第一步!

拆分训练集和测试集

在此环节，将使用 Scikit-Learn库拆分训练集和测试集。随后, 将拆分过的数据由 Numpy arrays 转换为PyTorchtensors。

首先，需要将Iris 数据集划分为“特征”和“ 标签集” ——或者是x和y。Name列是因变量而其余的则是“特征”(或者说是自变量)。

接下来笔者也将使用随机种子，所以可以直接复制下面的结果。代码如下：

 

已经打好，下一环节将正式开始搭建神经网络。

定义神经网络模型

模型的架构很简单。重头戏在于神经网络的架构：

• 输入层 (4个输入特征(即X所含特征的数量)，16个输出特征(随机))
• 全连接层 (16个输入特征(即输入层中输出特征的数量)，12个输出特征(随机))
• 输出层(12个输入特征(即全连接层中输出特征的数量)，3个输出特征(即不同品种的数量)

大致就是这样。除此之外还将使用ReLU 作为激活函数。下面展示如何在代码里执行这个激活函数。

（编辑：阜阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!