欢迎来到 Papicatch的博客

文章目录

🍉TensorFlow高阶API使用

🍈示例1：使用tf.keras构建模型

🍍通过“序贯式”方法构建模型

🍍通过“函数式”方法构建模型

🍈示例2：编译模型关键代码

🍈示例3：训练模型关键代码

🍉高阶API标准化搭建实例：鸢尾花特征分类实验

🍈实验目标

🍈数据准备

🍈构建模型

🍈训练模型

🍈评估模型

🍉PyTorch的安装

🍈引言

🍈安装PyTorch

🍍使用conda安装

🍇安装Anaconda或Miniconda

🍇创建虚拟环境

🍇选择安装命令：

🍍使用pip安装

🍇确保已安装Python和pip

🍇选择安装命令

🍇执行安装命令

🍍通过源码安装

🍇安装依赖

🍇克隆PyTorch源码

🍇配置编译环境

🍈验证

---

上篇文章为TensorFlow的安装及中低API操作哦，感兴趣的同学可以看一下哦！！！

TensorFlow的安装与使用

🍉TensorFlow高阶API使用

🍈示例1：使用tf.keras构建模型

🍍通过“序贯式”方法构建模型

import tensorflow as tf
from tensorflow.keras import layers# 构建序贯式模型
model = tf.keras.Sequential([layers.Dense(64, activation='relu', input_shape=(4,)),  # 输入层：4个输入节点layers.Dense(64, activation='relu'),  # 隐藏层：64个节点layers.Dense(3, activation='softmax')  # 输出层：3个输出节点（类别）
])model.summary()

🍍通过“函数式”方法构建模型

import tensorflow as tf
from tensorflow.keras import layers, Model# 输入层
inputs = layers.Input(shape=(4,))
# 隐藏层
x = layers.Dense(64, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
# 输出层
outputs = layers.Dense(3, activation='softmax')(x)# 构建模型
model = Model(inputs=inputs, outputs=outputs)model.summary()

🍈示例2：编译模型关键代码

        在编译模型时，我们需要指定优化器、损失函数和评估指标。

model.compile(optimizer='adam',  # 优化器loss='sparse_categorical_crossentropy',  # 损失函数metrics=['accuracy']  # 评估指标
)

🍈示例3：训练模型关键代码

        在训练模型时，我们使用fit方法。

# 加载鸢尾花数据集
from sklearn.datasets import load_iris
iris = load_iris()
data = iris.data
labels = iris.target# 分割训练集和测试集
from sklearn.model_selection import train_test_split
train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42)# 训练模型
model.fit(train_data, train_labels, epochs=50, batch_size=16, validation_split=0.2)

🍉高阶API标准化搭建实例：鸢尾花特征分类实验

🍈实验目标

        使用三层的人工神经网络对鸢尾花数据集进行分类。

🍈数据准备

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import tensorflow as tf# 加载数据集
iris = load_iris()
data = iris.data
labels = iris.target# 分割训练集和测试集
train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42)

🍈构建模型

        使用“序贯式”方法构建三层人工神经网络。

from tensorflow.keras import layers# 构建模型
model = tf.keras.Sequential([layers.Dense(64, activation='relu', input_shape=(4,)),layers.Dense(64, activation='relu'),layers.Dense(3, activation='softmax')
])# 编译模型
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy']
)model.summary()

🍈训练模型

# 训练模型
model.fit(train_data, train_labels, epochs=50, batch_size=16, validation_split=0.2)

🍈评估模型

# 评估模型
test_loss, test_acc = model.evaluate(test_data, test_labels)
print(f"Test Accuracy: {test_acc}")

        以上是一个完整的使用TensorFlow高阶API构建、编译和训练神经网络模型的实例，通过对鸢尾花数据集的特征进行分类展示了这些步骤的具体实现。

🍉PyTorch的安装

🍈引言

        TensorFlow之后用于深度学习的主要框架是PyTorch。PyTorch框架是Facebook开发的，Twitter和Salesforce等公司都使用PyTorch框架。与TensorFlow不同，PyTorch使用动态更新的图形进行操作，意味着它可以在流程中更改体系结构。在PyTorch中，可以使用标准调试器，如pdb或PyCharm。

        PyTorch训练神经网络的过程简单明了，同时，PyTorch支持数据并行和分布式学习模型，还包含很多预先训练的模型。

🍈安装PyTorch

        PyTorch可以作为PyTorch包使用，用户可以使用pip或者conda来构建，或者从源码构建等。

🍍使用conda安装

🍇安装Anaconda或Miniconda

        如果没有安装，可以从 Anaconda官网 或 Miniconda官网 下载并安装。

🍇创建虚拟环境

        为了避免依赖冲突，建议在虚拟环境中安装PyTorch

conda create -n pytorch_env python=3.9
conda activate pytorch_env

🍇选择安装命令：

        根据 PyTorch官网 提供的配置选择适合的命令。例如：

• 安装CPU版本

conda install pytorch torchvision torchaudio cpuonly -c pytorch

• 安装带CUDA支持的版本（例如CUDA 11.7）

conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia

🍇执行安装命令

         在终端或命令提示符中输入上述命令进行安装。

PyTorch官网地址为：Start Locally | PyTorch  。

🍍使用pip安装

  pip是Python的包管理工具。以下步骤适用于Windows、macOS和Linux。

🍇确保已安装Python和pip

        确认已安装Python和pip。可以通过以下命令检查

python --version
pip --version

        上图为我电脑安装的Python版本及pip版本。

🍇选择安装命令

        根据官方PyTorch网站的推荐，选择适合自己系统和需求的命令。可以访问 PyTorch官网 选择具体配置。

以下是一些常见的命令：

• 安装CPU版本

pip install torch torchvision torchaudio

• 安装带CUDA支持的版本（例如CUDA 11.7）

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117

🍇执行安装命令

        打开终端或命令提示符，输入上述命令进行安装。

🍍通过源码安装

        有时需要从源码编译安装PyTorch，适用于自定义需求或开发者。

🍇安装依赖

        在安装PyTorch源码之前，需要安装一些必要的依赖项。以Ubuntu为例：

sudo apt-get update
sudo apt-get install cmake git libopenblas-dev liblapack-dev libjpeg-dev libpng-dev

🍇克隆PyTorch源码

git clone --recursive https://github.com/pytorch/pytorch
cd pytorch

🍇配置编译环境

        设置Python环境，并确保安装了所需的Python包（如numpy和pillow）。

conda create -n pytorch_from_source python=3.9
conda activate pytorch_from_source
pip install numpy pyyaml mkl mkl-include setuptools cmake cffi typing_extensions future six requests dataclasses

🍇编译和安装PyTorch

python setup.py install

🍈验证

       以上是几种安装PyTorch的方法，根据您的具体需求和系统环境选择合适的方法进行安装。安装完成后，可以通过以下代码测试安装是否成功：

import torch
print(torch.__version__)
print(torch.cuda.is_available())  # 如果安装了CUDA支持的版本，检查CUDA是否可用