目录
一、实验环境与数据准备
首先，我搭建了实验环境，导入了必要的库，包括PyTorch及其相关模块、sklearn用于数据处理、matplotlib用于可视化等。然后，我加载了鸢尾花数据集，这是一个经典的多分类数据集，包含150个样本，每个样本有4个特征，对应3种鸢尾花类别。
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import time
import matplotlib.pyplot as plt为了更好地训练模型，我对数据进行了预处理。使用train_test_split将数据集划分为训练集和测试集，测试集占20%。接着，我使用MinMaxScaler对特征数据进行了归一化处理，将特征值缩放到0到1之间，这有助于加快模型的收敛速度。
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 归一化数据
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)二、模型构建与训练
我构建了一个简单的MLP模型，包含一个输入层、一个隐藏层和一个输出层。输入层的神经元数量与特征数量相同，隐藏层有10个神经元，输出层有3个神经元，分别对应3个类别。模型使用ReLU作为激活函数，交叉熵损失函数作为优化目标，随机梯度下降（SGD）作为优化器。
class MLP(nn.Module):
def __init__(self):
super(MLP, self).__init__()
self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层
self.relu = nn.ReLU()
self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out在训练模型时，我设置了20000个训练轮数，并使用GPU加速训练过程。通过optimizer.zero_grad()清零梯度，loss.backward()计算梯度，optimizer.step()更新参数，完成了模型的训练。同时，我使用tqdm库创建了进度条，实时显示训练进度和损失值，让训练过程更加直观。
# 训练模型
num_epochs = 20000 # 训练的轮数
# 创建tqdm进度条
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:
for epoch in range(num_epochs):
# 前向传播
outputs = model(X_train) # 隐式调用forward函数
loss = criterion(outputs, y_train)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 记录损失值并更新进度条
if (epoch + 1) % 200 == 0:
losses.append(loss.item())
epochs.append(epoch + 1)
# 更新进度条的描述信息
pbar.set_postfix({'Loss': f'{loss.item():.4f}'})
# 每1000个epoch更新一次进度条
if (epoch + 1) % 1000 == 0:
pbar.update(1000) # 更新进度条三、模型推理与评估
训练完成后，我使用测试集对模型进行了推理和评估。在推理阶段，我将模型设置为评估模式，并禁用了梯度计算，以提高推理速度。通过计算预测值与真实值的匹配程度，我得到了模型在测试集上的准确率，达到了96.67%。
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # 禁用梯度计算
outputs = model(X_test) # 对测试数据进行前向传播，获得预测结果
_, predicted = torch.max(outputs, 1) # 获取预测的类别
correct = (predicted == y_test).sum().item() # 计算预测正确的样本数
accuracy = correct / y_test.size(0)
print(f'测试集准确率: {accuracy * 100:.2f}%')四、模型结构可视化与参数分析
为了更好地理解模型，我还对模型结构进行了可视化，并分析了模型参数。通过打印模型对象，我清晰地看到了模型的每一层及其参数信息。此外，我使用torchsummary和torchinfo库生成了模型摘要，详细展示了每一层的输出形状、参数数量等信息。
# 打印模型结构
print(model)
# 使用torchsummary生成模型摘要
from torchsummary import summary
summary(model, input_size=(4,))我还提取了模型的权重参数，并对其进行了可视化和统计分析。通过绘制权重分布直方图，我直观地看到了不同层权重的分布情况。同时，我计算了每层权重的均值、标准差、最小值和最大值等统计信息，这些信息为我后续调整超参数提供了参考。
# 提取权重数据并可视化
weight_data = {}
for name, param in model.named_parameters():
if 'weight' in name:
weight_data[name] = param.detach().cpu().numpy()
# 可视化权重分布
fig, axes = plt.subplots(1, len(weight_data), figsize=(15, 5))
fig.suptitle('Weight Distribution of Layers')
for i, (name, weights) in enumerate(weight_data.items()):
weights_flat = weights.flatten()
axes[i].hist(weights_flat, bins=50, alpha=0.7)
axes[i].set_title(name)
axes[i].set_xlabel('Weight Value')
axes[i].set_ylabel('Frequency')
axes[i].grid(True, linestyle='--', alpha=0.7)
plt.tight_layout()
plt.subplots_adjust(top=0.85)
plt.show()五、学习总结
通过这次实验，我不仅掌握了PyTorch框架的基本使用方法，还对深度学习模型的训练、推理、评估以及可视化有了更深入的理解。我学会了如何构建和训练一个简单的MLP模型，如何使用GPU加速训练过程，如何使用tqdm库创建进度条，以及如何对模型结构和参数进行可视化和分析。在实验过程中，我也遇到了一些问题，例如训练时间较长、模型准确率有待提高等。这些问题让我意识到，深度学习模型的优化是一个复杂的过程，需要不断地调整超参数、改进模型结构、尝试不同的优化算法等。未来，我将继续深入学习深度学习知识，探索更复杂的模型和优化方法，提高模型的性能和泛化能力。