PyTorch深度学习项目教程课件：二维曲线拟合.pptx

PyTorch深度学习项目教程二维曲线拟合CURVEFITTING要点：PyTorch基础语法、神经网络基础、多层感知机、正向传播、反向传播、损失函数和优化器

项目背景ProjectBackground要点：回归任务是深度学习的基本任务。问题：工业上很多测量无法直接测量最终结果。例如想获得不规则物体的周长，但是转速和激光点到平台的距离，如何找到最能代表数据特征的曲线？解决：在工业测量和检测任务中，曲线拟合是一个广泛应用的技术。曲线拟合是一种利用已知数据点来推测未知数据点的方法，常常用于分析传感器测量得到的数据，并根据这些数据预测未来的趋势。知识目标KnowledgeObjectives掌握PyTorch张量数据结构及其运算掌握PyTorchGPU计算方法掌握神经网络概念及多层感知机全连接网络的搭建掌握损失函数的选择和迭代优化机制能力目标AbilityGoals能够根据需求自定义PyTorch数据集类能够继承自PyTorch的nn.Module类，编写神经网络模型类的代码能够编写训练代码，包括数据加载、模型训练、损失计算和参数更新等步骤具备对网络模型性能进行初步评估的能力，包括损失函数值、准确率等指标的计算素养目标ProfessionalAttainments具备项目化思维，能够对工作任务进行有效分解，并主动承担相应的任务具备较强的自主学习能力，能够主动探索并应用新的知识和技能具备创新意识，能够针对不同的曲线拟合场景提出新的解决方案能够从实际应用角度出发，思考和探索利用模型进行预测任务的应用场景

目录任务1理解曲线拟合需求任务2掌握PyTorch基本语法任务3搭建二维曲线数据集任务4搭建网络结构任务5训练网络模型任务6网络推理任务7模型结构分析任务8拟合更多的二维曲线

01任务1理解曲线拟合需求

1.1曲线拟合??????

1.2欠拟合与过拟合欠拟合：如果数据本身不符合拟合曲线的模型，那么拟合结果可能会出现偏差，甚至出现错误过拟合：过于复杂地描述了数据，对当前采样数据表现良好，但是在新的数据点上预测精度下降???

02任务2掌握PyTorch基本语法

2Tensor基本操作一览

2.1创建TensorTensor是指多维张量（数组），对应的，零维张量称之为标量，一维张量称之为矢量，二维张量称之为矩阵importtorch#标量scalar=torch.tensor(1）#向量vector=torch.tensor([1,1])#矩阵matrix=torch.tensor([[1,2],[3,4]])#N维张量tensor_n=torch.rand(3,5,2)?标量向量矩阵

2.2索引Tensor#访问向量中的第一个元素print(vector[0])#访问矩阵中的第一行元素print(matrix[0,:])#访问矩阵中的第二列元素print(matrix[:,1])#访问3维张量中的最后一组矩阵中，除了第一行以外的数据print(tensor_n[-1,1:-1,:])索引位置对应为[维数1,维数2,维数3,…,维数n]。其中：“:”为返回该维度的所有值；“m:n”可以返回该从起始位置m到结束位置n-1的数组元素；首个位置的索引编号为0;负数为从尾部计算索引位置，尾部的首个位置索引编号为“-1”

2.3形状变换1.维度交换228×228×3（高度×宽度×通道数）的RGB图片转换为3×228×228（通道数×高度×宽度）的变换#模拟一张RGB图像image=torch.randint(0,255,(114,228,3))print(image.shape)#输出为：torch.Size([114,228,3])，分别对应图像的高度、宽度和通道数#将H×W×C转换为C×H×Wimage=image.permute(2,1,0)print(image.shape)#输出为：torch.Size([3,228,114])，分别对应图像的通道数、宽度和高度

2.3形状变换2.升降维度可以通过unsqueeze()和squeeze()函数来实现维度的提升和降低#提升维度image=image.unsqueeze(0)print(image.shape)#输出为：torch.Size([1,3,228,114])torch.Size([3,228,114])#降低维度image=image.squeeze(0)print(image.shape)#输出为：torch.Size([3,228,114])

2.3形状变换3.改变形状可以通过reshape()和v