快捷導(dǎo)航

使用PyTorch/TensorFlow搭建簡單全連接神經(jīng)網(wǎng)絡(luò)

更新時間：2025年02月27日 08:52:29 作者：gs80140

在本篇博客中,我們將介紹如何使用兩大深度學(xué)習(xí)框架——PyTorch 和 TensorFlow,構(gòu)建一個簡單的全連接神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)包含輸入層、一個隱藏層和輸出層,適合初學(xué)者理解神經(jīng)網(wǎng)絡(luò)的基本構(gòu)建模塊及訓(xùn)練流程,需要的朋友可以參考下

網(wǎng)絡(luò)結(jié)構(gòu)概述

我們的全連接神經(jīng)網(wǎng)絡(luò)（Fully Connected Neural Network，F(xiàn)CNN）由以下部分構(gòu)成：

輸入層：接收數(shù)據(jù)特征向量（例如，長度為 10 的向量）。
隱藏層：通過一個全連接層將輸入進(jìn)行非線性映射，通常會使用激活函數(shù)（如 ReLU）來增加模型的表達(dá)能力。
輸出層：根據(jù)具體任務(wù)輸出預(yù)測結(jié)果，例如回歸任務(wù)輸出單個連續(xù)值。

這種結(jié)構(gòu)雖然簡單，但能幫助我們理解前向傳播、反向傳播及梯度下降等基本概念。

1. 使用 PyTorch 構(gòu)建網(wǎng)絡(luò)

PyTorch 提供了靈活的動態(tài)計算圖和簡潔的 API，非常適合快速原型開發(fā)。下面是一個完整示例：

import torch
import torch.nn as nn
import torch.optim as optim
 
# 定義一個簡單的全連接神經(jīng)網(wǎng)絡(luò)
class SimpleFCNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleFCNN, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)  # 輸入層到隱藏層
        self.relu = nn.ReLU()                           # 激活函數(shù)
        self.fc2 = nn.Linear(hidden_size, output_size)  # 隱藏層到輸出層
 
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out
 
# 超參數(shù)設(shè)置
input_size = 10      # 輸入特征數(shù)量
hidden_size = 5      # 隱藏層節(jié)點數(shù)
output_size = 1      # 輸出節(jié)點數(shù)
learning_rate = 0.001
num_epochs = 100
 
# 實例化模型、定義損失函數(shù)和優(yōu)化器
model = SimpleFCNN(input_size, hidden_size, output_size)
criterion = nn.MSELoss()  # 均方誤差損失，用于回歸問題
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
 
# 構(gòu)造一些模擬數(shù)據(jù)
x_train = torch.randn(100, input_size)
y_train = torch.randn(100, output_size)
 
# 訓(xùn)練模型
for epoch in range(num_epochs):
    outputs = model(x_train)
    loss = criterion(outputs, y_train)
 
    optimizer.zero_grad()  # 梯度清零
    loss.backward()        # 反向傳播
    optimizer.step()       # 更新參數(shù)
 
    if (epoch + 1) % 10 == 0:
        print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')

解析：

模型定義：我們創(chuàng)建了一個繼承自 nn.Module 的類 SimpleFCNN，其中 nn.Linear 用于構(gòu)建全連接層，nn.ReLU 作為激活函數(shù)。
訓(xùn)練循環(huán)：每個 epoch 中，我們計算模型輸出與真實標(biāo)簽之間的均方誤差（MSE），然后利用 optimizer 對參數(shù)進(jìn)行梯度下降更新。

2. 使用 TensorFlow 構(gòu)建網(wǎng)絡(luò)

TensorFlow 通過 Keras 接口提供了直觀且高層次的 API 來搭建模型，適合快速搭建原型。下面是使用 TensorFlow 的示例代碼：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
 
# 超參數(shù)設(shè)置
input_size = 10      # 輸入特征數(shù)量
hidden_size = 5      # 隱藏層節(jié)點數(shù)
output_size = 1      # 輸出節(jié)點數(shù)
learning_rate = 0.001
num_epochs = 100
batch_size = 10
 
# 構(gòu)建順序模型
model = Sequential([
    Dense(hidden_size, activation='relu', input_shape=(input_size,)),  # 輸入層到隱藏層
    Dense(output_size)                                                 # 輸出層
])
 
# 編譯模型：指定優(yōu)化器和損失函數(shù)（這里依然使用均方誤差）
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=learning_rate),
              loss='mse')
 
# 構(gòu)造一些模擬數(shù)據(jù)
import numpy as np
x_train = np.random.randn(100, input_size)
y_train = np.random.randn(100, output_size)
 
# 訓(xùn)練模型
history = model.fit(x_train, y_train, epochs=num_epochs, batch_size=batch_size, verbose=2)

解析：

模型構(gòu)建：我們使用 Sequential 模型，添加了一個帶 ReLU 激活函數(shù)的全連接層，以及一個輸出層。
模型編譯：在編譯時選擇了 Adam 優(yōu)化器和 MSE 損失函數(shù)。
模型訓(xùn)練：調(diào)用 model.fit 函數(shù)開始訓(xùn)練，Keras 會自動管理訓(xùn)練過程及日志輸出。

總結(jié)

本博客展示了如何使用 PyTorch 和 TensorFlow 兩種不同的深度學(xué)習(xí)框架構(gòu)建一個簡單的全連接神經(jīng)網(wǎng)絡(luò)。兩種實現(xiàn)雖然在 API 設(shè)計和風(fēng)格上有所不同，但核心思想是一致的：

網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、隱藏層和輸出層的搭建。
前向傳播：數(shù)據(jù)通過層層傳遞得到輸出。
損失函數(shù)與優(yōu)化：計算輸出與真實標(biāo)簽之間的誤差，并利用優(yōu)化器更新網(wǎng)絡(luò)參數(shù)。

通過這兩個示例，讀者可以選擇自己更熟悉的框架進(jìn)行實驗，同時也能對比兩種框架的差異。希望這篇博客能幫助大家更好地理解全連接神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練過程，邁出深度學(xué)習(xí)實踐的第一步！

到此這篇關(guān)于使用PyTorch/TensorFlow搭建簡單全連接神經(jīng)網(wǎng)絡(luò)的文章就介紹到這了,更多相關(guān)PyTorch TensorFlow搭建神經(jīng)網(wǎng)絡(luò)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: