一一中文网

手机浏览器扫描二维码访问

第60章 第一个模型（第1页）

深夜十一点，狭窄的书房里，只有书桌上的屏幕还亮着。

林晨盯着pytorch官方教程的最后一个章节，已经看了三遍。

屏幕上是一个完整的神经网络代码示例——mNISt手写数字识别，深度学习界的“helloworld”

。

过去两周，他像海绵一样吸收着那些抽象的概念：张量、梯度、反向传播、损失函数。

数学补课起了作用，至少现在看到矩阵乘法不再发怵，能理解为什么权重更新要用链式法则。

但理解归理解，距离“亲手创造一个能思考的东西”

，还隔着一段需要代码去填补的距离。

“跟着做一遍”

。

他对自己说，声音在安静的房间里显得格外清晰。

新建python文件，导入torch和torchvision。

下载mNISt数据集——一个包含六万张28x28像素手写数字图片的经典数据集。

代码跑起来，终端开始显示下载进度。

林晨看着那些滚动的日志，忽然有些恍惚。

三十五岁，再次失业1个月，存款以每月两万多的速度消耗，自己却在这里下载一堆黑白数字图片。

这个场景如果拍下来给一年前的自己看，恐怕会觉得是个荒诞的玩笑。

但数据下载完成的提示音把他拉回现实。

接下来是数据预处理：将图片像素值从0-255归一化到0-1之间，转换成pytorch能处理的tensor格式，分割成训练集和测试集。

这些步骤他已经在JupyterNotebook里练习过多次，手指在键盘上敲击得流畅。

真正的挑战从定义模型开始。

教程提供了一个简单的全连接神经网络：输入层784个节点（28x28），两个隐藏层各128个节点，输出层10个节点（对应数字0-9）。

结构图在屏幕上展开，林晨逐行敲入代码。

classNet（nn.module）:

def__init__（self）:

super（Net，self）.__init__

self.fc1=nn.Linear（784，128）

self.fc2=nn.Linear（128，128）

self.fc3=nn.Linear（128，10）

defforward（self，x）:

x=x.view（-1，784）

x=F.relu（self.fc1（x））

x=F.relu（self.fc2（x））

x=self.fc3（x）

returnx

不到二十行代码。

但林晨知道，这二十行背后是三十年来神经网络研究的结晶。

每一层Linear代表一次矩阵乘法和偏置加法，每个ReLU激活函数给模型注入非线性——正是这种非线性让神经网络能够拟合复杂的函数关系。

他想起大学时上的《人工智能导论》，教授说神经网络是“黑箱”