从未如此简单，15分钟就上手的神经网络构建方法

全文共2392字，预计学习时长11分钟

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。

这篇文章最多10分钟就能读完；如果要跟着代码一步步操作的话，只要已经安装了必要的库，那么也只需15分钟。相信我，它并不难。

长话短说，快开始吧！

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：

import torch
import torch.nn as nn
import torch.nn.functional as F
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

至于数据集，Iris数据集可以在这个URL上找到。下面演示如何把它直接导入

Pandas：
iris = pd.read_csv('https://raw.githubusercontent.com/pandas-dev/pandas/master/pandas/tests/data/iris.csv')
iris.head()

前几行如下图所示：

现在需要将 Name列中鸢尾花的品种名称更改或者重映射为分类值。——也就是0、1、2。以下是步骤说明：

mappings = {
   'Iris-setosa': 0,
   'Iris-versicolor': 1,
   'Iris-virginica': 2
}iris['Name'] = iris['Name'].apply(lambda x: mappings[x])

执行上述代码得到的DataFrame如下：

这恭喜你，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：

X = iris.drop('Name', axis=1).values
y = iris['Name'].valuesX_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=42)X_train = torch.FloatTensor(X_train)
X_test = torch.FloatTensor(X_test)
y_train = torch.LongTensor(y_train)
y_test = torch.LongTensor(y_test)

如果从 X_train 开始检查前三行，会得到如下结果：

从 y_train开始则得到如下结果：

地基已经打好，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：

1.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））

2.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））

3.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。

class ANN(nn.Module):
   def __init__(self):
       super().__init__()
       self.fc1 =nn.Linear(in_features=4, out_features=16)
       self.fc2 =nn.Linear(in_features=16, out_features=12)
       self.output =nn.Linear(in_features=12, out_features=3)
 
 def forward(self, x):
     x = F.relu(self.fc1(x))
     x = F.relu(self.fc2(x))
     x = self.output(x)
     return x

PyTorch使用的面向对象声明模型的方式非常直观。在构造函数中，需定义所有层及其架构，若使用forward()，则需定义正向传播。

接着创建一个模型实例，并验证其架构是否与上文所指的架构相匹配：

model = ANN()
model

在训练模型之前，需注明以下几点：

· 评价标准:主要使用 CrossEntropyLoss来计算损失

· 优化器:使用学习率为0.01的Adam 优化算法

下面展示如何在代码中执行CrossEntropyLoss和Adam ：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

令人期盼已久的环节终于来啦——模型训练！

模型训练

这部分同样相当简单。模型训练将进行100轮, 持续追踪时间和损失。每10轮就向控制台输出一次当前状态——以指出目前所处的轮次和当前的损失。

代码如下：

%%timeepochs = 100
loss_arr = []for i in range(epochs):
y_hat = model.forward(X_train)
loss = criterion(y_hat, y_train)
loss_arr.append(loss)

if i % 10 == 0:
print(f'Epoch: {i} Loss: {loss}')

optimizer.zero_grad()
loss.backward()
optimizer.step()

好奇最后三行是干嘛用的吗？答案很简单——反向传播——权重和偏置的更新使模型能真正地“学习”。

以下是上述代码的运行结果:

进度很快——但不要掉以轻心。

如果对纯数字真的不感冒，下图是损失曲线的可视化图（x轴为轮次编号，y轴为损失）：

模型已经训练完毕，现在该干嘛呢？当然是模型评估。需要以某种方式在原先未见的数据上对这个模型进行评估。

模型评估

在评估过程中，欲以某种方式持续追踪模型做出的预测。需要迭代 X_test并进行预测，然后将预测结果与实际值进行比较。

这里将使用 torch.no_grad()，因为只是评估而已——无需更新权重和偏置。

总而言之，代码如下：

preds = []with torch.no_grad():
   for val in X_test:
       y_hat = model.forward(val)
      preds.append(y_hat.argmax().item())

现在预测结果被存储在 preds阵列。可以用下列三个值构建一个Pandas DataFrame。

· Y:实际值

· YHat: 预测值

· Correct:对角线，对角线的值为1表示Y和YHat相匹配，值为0则表示不匹配

代码如下：

df = pd.DataFrame({'Y': y_test, 'YHat':preds})df['Correct'] = [1 if corr == pred else 0 for corr, pred in zip(df['Y'],df['YHat'])]

df 的前五行如下图所示：

下一个问题是，实际该如何计算精确度呢？

很简单——只需计算 Correct列的和再除以 df的长度：

df['Correct'].sum() / len(df)>>> 1.0

此模型对原先未见数据的准确率为100%。但需注意这完全是因为Iris数据集非常易于归类，并不意味着对于Iris数据集来说，神经网络就是最好的算法。NN对于这类问题来讲有点大材小用，不过这都是以后讨论的话题了。

这可能是你写过最简单的神经网络，有着完美简洁的数据集、没有缺失值、层次最少、还有神经元！本文没有什么高级深奥的东西，相信你一定能够掌握它。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范