当前位置：首页 > news >正文

Python AI入门：从Hello World到图像分类

news 2026/8/25 5:37:58

Python AI入门：从Hello World到图像分类

一、Python AI的Hello World

1.1 环境搭建

首先，我们需要搭建Python AI的开发环境：

# 安装PyTorchpipinstalltorch torchvision# 安装其他依赖pipinstallnumpy matplotlib

1.2 第一个AI程序

让我们来编写一个最简单的AI程序 - 线性回归：

importtorchimporttorch.nnasnnimportnumpyasnpimportmatplotlib.pyplotasplt# 生成训练数据x=torch.linspace(0,10,100).unsqueeze(1)y=2*x+1+torch.randn(100,1)*0.5# 定义模型classLinearModel(nn.Module):def__init__(self):super(LinearModel,self).__init__()self.linear=nn.Linear(1,1)defforward(self,x):returnself.linear(x)# 创建模型实例model=LinearModel()# 定义损失函数和优化器criterion=nn.MSELoss()optimizer=torch.optim.SGD(model.parameters(),lr=0.01)# 训练模型epochs=100forepochinrange(epochs):# 前向传播outputs=model(x)# 计算损失loss=criterion(outputs,y)# 反向传播optimizer.zero_grad()loss.backward()# 更新参数optimizer.step()if(epoch+1)%10==0:print(f'Epoch [{epoch+1}/{epochs}], Loss:{loss.item():.4f}')# 测试模型withtorch.no_grad():predicted=model(x)# 可视化结果plt.scatter(x.numpy(),y.numpy(),label='Original data')plt.plot(x.numpy(),predicted.numpy(),'r-',label='Fitted line')plt.legend()plt.show()print("Hello World! AI模型训练完成")

二、从线性回归到神经网络

2.1 神经网络基础

线性回归是最简单的AI模型，而神经网络则是更复杂的模型。让我们来构建一个简单的神经网络：

importtorchimporttorch.nnasnnimporttorch.optimasoptim# 生成非线性数据x=torch.linspace(-1,1,100).unsqueeze(1)y=x.pow(2)+0.2*torch.randn(100,1)# 定义神经网络模型classNeuralNet(nn.Module):def__init__(self):super(NeuralNet,self).__init__()self.hidden=nn.Linear(1,10)self.output=nn.Linear(10,1)defforward(self,x):x=torch.relu(self.hidden(x))x=self.output(x)returnx# 创建模型实例model=NeuralNet()# 定义损失函数和优化器criterion=nn.MSELoss()optimizer=optim.SGD(model.parameters(),lr=0.01)# 训练模型epochs=1000forepochinrange(epochs):outputs=model(x)loss=criterion(outputs,y)optimizer.zero_grad()loss.backward()optimizer.step()if(epoch+1)%100==0:print(f'Epoch [{epoch+1}/{epochs}], Loss:{loss.item():.4f}')# 测试模型withtorch.no_grad():predicted=model(x)# 可视化结果importmatplotlib.pyplotasplt plt.scatter(x.numpy(),y.numpy(),label='Original data')plt.plot(x.numpy(),predicted.numpy(),'r-',label='Neural network prediction')plt.legend()plt.show()

2.2 理解神经网络的工作原理

神经网络的基本原理是通过多层神经元的组合，学习数据中的复杂模式：

输入层：接收原始数据
隐藏层：提取数据特征
输出层：产生预测结果
激活函数：引入非线性，使网络能够学习复杂模式

三、图像分类入门

3.1 数据准备

我们将使用MNIST数据集进行图像分类：

importtorchimporttorchvisionimporttorchvision.transformsastransforms# 数据预处理transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,),(0.5,))])# 加载MNIST数据集trainset=torchvision.datasets.MNIST(root='./data',train=True,download=True,transform=transform)trainloader=torch.utils.data.DataLoader(trainset,batch_size=64,shuffle=True)testset=torchvision.datasets.MNIST(root='./data',train=False,download=True,transform=transform)testloader=torch.utils.data.DataLoader(testset,batch_size=64,shuffle=False)# 查看数据importmatplotlib.pyplotaspltimportnumpyasnp# 函数：显示图像defimshow(img):img=img/2+0.5# 反归一化npimg=img.numpy()plt.imshow(np.transpose(npimg,(1,2,0)))plt.show()# 获取一批训练数据dataiter=iter(trainloader)images,labels=next(dataiter)# 显示图像imshow(torchvision.utils.make_grid(images))print('标签:',' '.join(f'{labels[j]}'forjinrange(4)))

3.2 构建图像分类模型

现在我们来构建一个用于图像分类的卷积神经网络：

importtorch.nnasnnimporttorch.nn.functionalasFclassNet(nn.Module):def__init__(self):super(Net,self).__init__()# 卷积层self.conv1=nn.Conv2d(1,32,3,1)self.conv2=nn.Conv2d(32,64,3,1)# 池化层self.pool=nn.MaxPool2d(2,2)# 全连接层self.fc1=nn.Linear(64*12*12,128)self.fc2=nn.Linear(128,10)defforward(self,x):x=self.pool(F.relu(self.conv1(x)))x=self.pool(F.relu(self.conv2(x)))x=x.view(-1,64*12*12)x=F.relu(self.fc1(x))x=self.fc2(x)returnx# 创建模型实例net=Net()print(net)

3.3 训练图像分类模型

importtorch.optimasoptim# 定义损失函数和优化器criterion=nn.CrossEntropyLoss()optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)# 训练模型epochs=5forepochinrange(epochs):running_loss=0.0fori,datainenumerate(trainloader,0):# 获取输入inputs,labels=data# 清零梯度optimizer.zero_grad()# 前向传播outputs=net(inputs)# 计算损失loss=criterion(outputs,labels)# 反向传播loss.backward()# 更新参数optimizer.step()# 统计损失running_loss+=loss.item()ifi%100==99:print(f'[{epoch+1},{i+1}] loss:{running_loss/100:.3f}')running_loss=0.0print('训练完成')

3.4 测试模型

# 测试模型correct=0total=0withtorch.no_grad():fordataintestloader:images,labels=data outputs=net(images)_,predicted=torch.max(outputs.data,1)total+=labels.size(0)correct+=(predicted==labels).sum().item()print(f'测试准确率:{100*correct/total:.2f}%')# 查看预测结果dataiter=iter(testloader)images,labels=next(dataiter)# 显示图像imshow(torchvision.utils.make_grid(images))print('真实标签:',' '.join(f'{labels[j]}'forjinrange(4)))# 预测outputs=net(images)_,predicted=torch.max(outputs,1)print('预测标签:',' '.join(f'{predicted[j]}'forjinrange(4)))