一、概述

PyTorch 是基于 Python 的开源深度学习框架，以动态计算图为核心，支持灵活的神经网络构建与调试。它提供张量运算、自动微分、模块化网络层（如卷积、循环、线性层）等核心组件，可便捷搭建从简单感知机到复杂 CNN、RNN、Transformer 等各类神经网络。兼具易用性与高效性，支持 CPU/GPU/TPU 加速，是学术研究与工业部署的主流选择。

二、代码复现

矩阵操作

自动求导机制

线性回归

按照建模顺序完成网络架构

三、深度学习之项目实战

搭建神经网络模型实践操作如下

代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.optim as optim
import warnings
warnings.filterwarnings("ignore")

# 1. 读取数据
features = pd.read_csv('temps.csv')
print(features.head())

# 2. 数据预处理
week_map = {'Mon': 1, 'Tues': 2, 'Wed': 3, 'Thurs': 4, 'Fri': 5, 'Sat': 6, 'Sun': 7}
features['week'] = features['week'].map(week_map)

# 选择特征和标签
X = features[['year', 'month', 'day', 'week', 'temp_2', 'temp_1', 'average', 'friend']].values
y = features['actual'].values

# 数据标准化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

# 转换为PyTorch张量
X_train = torch.tensor(X_train, dtype=torch.float32)
y_train = torch.tensor(y_train, dtype=torch.float32).unsqueeze(1)
X_test = torch.tensor(X_test, dtype=torch.float32)
y_test = torch.tensor(y_test, dtype=torch.float32).unsqueeze(1)

# 3. 定义神经网络模型
class TempPredictor(nn.Module):
    def __init__(self, input_size):
        super(TempPredictor, self).__init__()
        self.fc1 = nn.Linear(input_size, 64)
        self.relu1 = nn.ReLU()
        self.fc2 = nn.Linear(64, 32)
        self.relu2 = nn.ReLU()
        self.fc3 = nn.Linear(32, 1)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.fc2(x)
        x = self.relu2(x)
        x = self.fc3(x)
        return x

# 4. 初始化模型、损失函数和优化器
input_size = X_train.shape[1]
model = TempPredictor(input_size)
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 5. 训练模型
epochs = 1000
train_losses = []
test_losses = []

for epoch in range(epochs):
    # 训练模式
    model.train()
    optimizer.zero_grad()
    outputs = model(X_train)
    loss = criterion(outputs, y_train)
    loss.backward()
    optimizer.step()
    train_losses.append(loss.item())

    # 验证模式
    model.eval()
    with torch.no_grad():
        test_outputs = model(X_test)
        test_loss = criterion(test_outputs, y_test)  # 此处已修正，无语法错误
        test_losses.append(test_loss.item())

    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch+1}/{epochs}], Train Loss: {loss.item():.4f}, Test Loss: {test_loss.item():.4f}')

# 6. 可视化训练损失
plt.figure(figsize=(10, 5))
plt.plot(train_losses, label='Train Loss')
plt.plot(test_losses, label='Test Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss (MSE)')
plt.legend()
plt.title('Training and Test Loss')
plt.show()

# 7. 模型预测与结果展示
model.eval()
with torch.no_grad():
    y_pred = model(X_test)

y_pred_np = y_pred.numpy().flatten()
y_test_np = y_test.numpy().flatten()

mae = np.mean(np.abs(y_pred_np - y_test_np))
print(f'测试集平均绝对误差 (MAE): {mae:.2f} 度')

# 可视化预测值与真实值对比
plt.figure(figsize=(10, 5))
plt.plot(y_test_np[:50], label='Actual Temp', marker='o')
plt.plot(y_pred_np[:50], label='Predicted Temp', marker='x')
plt.xlabel('Sample Index')
plt.ylabel('Temperature (°F)')
plt.legend()
plt.title('Temperature Prediction vs Actual (First 50 Samples)')
plt.show()

结果：

YOLO模型：

一、概述
 
YOLO（You Only Look Once）是一种单阶段目标检测算法，将目标定位与分类整合为单一回归任务，实现“一眼”完成检测。它以实时性为核心优势，在保持较高精度的同时，大幅提升推理速度，广泛应用于视频监控、自动驾驶、智能安防等场景。
 
从YOLOv1到YOLOv8，模型在精度、速度与易用性上持续迭代，通过轻量化结构与多尺度预测，兼顾了部署效率与检测性能，成为工业界与学术界最主流的目标检测方案之一。

二、实践操作