神经网络与深度学习-3- 机器学习简单示例-PyTorch

---

参考文档

比刷剧还爽！【128集Pytorch源码底层讲解】圈内顶级AI大佬128集源码底层讲解，手把手教你项目实战！——（人工智能、深度学习、机器视觉、AI）_哔哩哔哩_bilibili

   【PyTorch实战】强推!2022年B站最好最全的PyTorch实战课程，同济大佬带你入门到实战！（附源码）-人工智能/PyTorch实战/深度学习_哔哩哔哩_bilibili

目录

    1： 机器学习分类

    2： 评价指标

    3： 深度学习主流框架

    4： GPU 和 CPU 运行区别

    5：  自动求梯度

---

一 机器学习算法分类

 

---

二 评价指标

    

真正例（TP, True Positive）

假负例 （FN, False Negative）

假正例 （FP, False Positive）

真负例(TN, True Negative)

可以用混淆矩阵（Confusion Matrix）表示

根据上面定义，可以进一步定义查准率,查全率，和F

2.1 查准率（Precision）

        

2.2 召回率，查全率

      

2.3 F值，紧缺率和召回率平均值

  

---

三  深度学习主流框架

   比刷剧还爽！【128集Pytorch源码底层讲解】圈内顶级AI大佬128集源码底层讲解，手把手教你项目实战！——（人工智能、深度学习、机器视觉、AI）_哔哩哔哩_bilibili 

---

 四  GPU 和 CPU 

      

# -*- coding: utf-8 -*-
"""
Created on Tue Jun 21 09:45:05 2022

@author: chengxf2
"""
# -*- coding: utf-8 -*-
"""
Created on Mon Jun 20 21:35:56 2022

@author: cxf
"""

import torch
import time


def test_gpu(k = 20):

    use_gpu = torch.cuda.is_available()
    
    print(use_gpu)
    

    device = torch.device('cuda')
    
    
    a = torch.randn(10000,1000)
    b = torch.randn(1000,500)
   
    
   
    print("\n ---calc by gpu ---")
    t0= time.time()
    
    a = a.to(device)
    b = b.to(device)
    
    for i in range(k):
        c = torch.matmul(a,b)
    t1 = time.time()
    interval =t1-t0
    print('\n device: ', a.device, '\t time: %9.6f'%interval)
    
    
    
    
    


def test_cpu(k = 20):
    
 
    a = torch.randn(10000,1000)
    b = torch.randn(1000,500)
    print("\n ---calc by cpu  ---")
    t0= time.time()
    for i  in range(k):
        c = torch.matmul(a,b)
    t1 = time.time()
    
    interval =t1-t0
    
    print('\n device: ', a.device, '\t time: %9.6f'%interval)
    
    

if __name__ == "__main__":
    
    
    test_gpu()
    #test_cpu()
    

 

---

五   pytorch 自动求导

     python 里面求梯度一般都是自己实现

pytorch 里面有autograd 自动实现求梯度 

 

# -*- coding: utf-8 -*-
"""
Created on Tue Jun 21 21:08:21 2022

@author: cxf
"""

import torch
from torch import autograd

def  bp():
    
    x = torch.tensor(0.7)
    
    a = torch.tensor(1.0, requires_grad=True)
    b = torch.tensor(2.0, requires_grad=True)
    c = torch.tensor(3.0, requires_grad= True)
    
    y = a**2*x+b*x+c
    
    print("\n grad ",a.grad, b.grad, c.grad)
    
    grads = autograd.grad(y, [a,b,c])
    
    print("\n after grad ",grads[0], grads[1], grads[1])
    
if __name__ =="__main__":
    bp()

  常用的库