简介一套从0到1的大学深度学习课程实验源码基于PyTorch框架与Python语言编写覆盖机器学习基础、前馈神经网络FNN等核心实验适合计算机、数学、电子信息等专业课程设计、期末大作业和毕设参考也可供初学深度学习的开发者对照调试。压缩包共90个文件以53个Python源码文件为主体另含MNIST数据集、配置文件xml、实验效果图png及说明文档等整体大小约119MB目录按实验章节划分便于定位到对应任务的实现目前已有42人学习浏览。源码提供手动实现与PyTorch实现两种版本例如线性回归、FNN网络以及Momentum、RMSprop、Adam等多种优化器和L2正则化对比readme与可视化图片可帮助核对实验思路和输出结果。资源内还包含从数据处理、模型构建到结果展示的完整示例代码结构清晰并带注释读者可直接修改运行结合真实任务快速验证效果深入理解深度学习模型从建模、训练、评估到预测的完整流程是课设、毕设与项目起步阶段高效复用的实操素材。 当初选深度学习这门课的时候我以为课件里的代码都在照着敲一遍交作业就行。结果第一周就卡在环境安装上PyTorch 装了好几天GPU 版本和 CPU 版本来回折腾最后连个 MNIST 都没跑出来。这门课的实验难的不是算法本身而是从零开始把环境、数据、模型、训练、可视化这条链路完整走通。这篇就讲清楚我如何从 0 到 1 完成大学深度学习课程实验源码选择 PyTorch 框架 Python 语言的完整路径包含环境搭建、代码拆解、踩坑记录以及让实验报告拿高分的可视化技巧。适合正在上深度学习课、需要独立完成实验的同学也适合想快速上手 PyTorch 的初学者。1. 环境搭建别让版本问题拖垮实验进度我见过太多同学在环境上耗掉一周最后兴趣全无。原因非常统一一上来就装最新的。Python 出了 3.12 就装 3.12PyTorch 一有新版本就升级结果各种包互相不兼容报错信息堆成山最后还是乖乖装回旧版本。课程实验的第一原则是稳定能用不是版本最新。1.1 版本选型的参考数据先说结论这套实验源码用的版本组合是我的主力配置踩过坑之后固定下来之后再也没有换过组件推荐版本说明Python3.8 ~ 3.10兼容性最好3.10 以下装 torch 从来不缺轮子PyTorch2.0 ~ 2.3功能稳定教程多社区解决方案丰富torchvision与 torch 同版本必须配套否则会报 undefined symbol 类错误CUDA11.8 或 12.1覆盖大多数显卡驱动课程实验完全够用Python 3.8 看起来老但它是深度学习生态兼容性最稳的版本。很多课程配套的参考代码基于旧版本 PyTorch 编写Python 太新反而会触发各种兼容性报错。GPU 版 CUDA 也不需要追新11.8 到现在依旧是 PyTorch 官方默认支持最成熟的版本之一。1.2 用 Conda 建虚拟环境而不是直接装在基础环境直接在系统 Python 里装深度学习库是拿自己的电脑做实验的大忌。装坏了要重装系统 Python代价极高。用 Anaconda 或 Miniconda 创建独立虚拟环境装坏了直接删掉重建不伤根。conda create -n dl python3.9 conda activate dl pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118很多人不理解为什么用 pip 而不是 conda 直接装 torch。原因在于 PyTorch 官方对 pip 的版本控制最及时conda 源里的 torch 更新往往滞后而且 CPU 和 GPU 版本选择不直观。pip 指定--index-url能明确安装带 CUDA 的版本不会出现明明有 GPU 却装成 CPU 版的情况。1.3 是否必须用 GPUMNIST 用 CPU 也行不少同学为没有好显卡焦虑其实大可不必。MNIST 手写数字识别这类课程实验图像只有 28×28数据量 6 万张CPU 训练 10 个 epoch 也就几分钟。GPU 在这种小任务上的加速优势不明显反而会引入 CUDA 配置问题。你只需要在代码开头留一行设备判断自动适配运行环境device torch.device(cuda if torch.cuda.is_available() else cpu)这样在教室电脑和宿舍电脑都能运行。真正的 GPU 需求出现在后续课程会用到的 CIFAR-10、ImageNet 子集或者目标检测任务那时候再考虑 GPU 环境不迟。2. MNIST 实验的三板斧数据、模型、训练循环第一个实验基本都是 MNIST 手写数字识别把一张 28×28 像素的灰度图输入模型输出 0 到 9 之间的数字类别。这是深度学习界的 Hello World也是从 0 到 1 必过的坎。2.1 数据加载Dataset 和 DataLoader深度学习训练不是把整份数据一次性塞进内存而是通过 Dataset 管理样本、通过 DataLoader 按批次迭代。PyTorch 的 torchvision 包自带 MNIST 数据集省去了自己下载和解析的步骤但这里面的细节很多。from torch.utils.data import DataLoader from torchvision import datasets, transforms transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST( root./data, trainTrue, downloadTrue, transformtransform ) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue)很多人直接ToTensor()就完事不做归一化也能跑但效果会差一些。MNIST 官方数据集的像素均值和标准差分别是 0.1307 和 0.3081这两个常数是公开的直接用即可。归一化能让像素值分布接近标准正态分布模型收敛速度更快。shuffleTrue也很关键。如果不打乱训练数据的顺序模型会先反复看同一类数字再去学另一类损失曲线会呈现明显的阶梯状下降影响收敛稳定性。测试集不需要 shuffle但评估时要用torch.no_grad()否则测试过程也会计算梯度白白浪费显存和算力。2.2 模型搭建先从全连接网络开始课程实验不建议一上来就直接写 CNN虽然卷积网络准确率更高但全连接网络的结构更简单更容易理解前向传播、反向传播和梯度更新的完整流程。先把基础链路跑通再去追求精度更有成就感。import torch.nn as nn import torch.nn.functional as F class MLP(nn.Module): def __init__(self): super().__init__() self.fc1 nn.Linear(28 * 28, 256) self.fc2 nn.Linear(256, 128) self.fc3 nn.Linear(128, 10) def forward(self, x): x x.view(x.size(0), -1) x F.relu(self.fc1(x)) x F.relu(self.fc2(x)) return self.fc3(x)forward里面的x.view(x.size(0), -1)是把 28×28 的图像展平成 784 维的向量因为全连接网络只能接收一维特征输入。中间隐藏层的维度 256 和 128 是经验值不需要教科书式的推导后续课程会学自动确定网络结构的算法现阶段照常用即可。激活函数选择 ReLU 而不是 sigmoid 或 tanh是因为 ReLU 能有效缓解深层网络中的梯度消失问题计算也更简单。课程实验报告里如果能写出这一层的选择理由比大篇幅抄概念的含金量高很多。2.3 训练循环的标准范式PyTorch 的训练循环几乎是固定写法只要理解了这段代码后面所有模型基本都是同一个套路。import torch.optim as optim model MLP().to(device) optimizer optim.Adam(model.parameters(), lr0.001) criterion nn.CrossEntropyLoss() for epoch in range(10): for batch_idx, (data, target) in enumerate(train_loader): data, target data.to(device), target.to(device) optimizer.zero_grad() output model(data) loss criterion(output, target) loss.backward() optimizer.step()这个循环里每一步都有存在的理由。optimizer.zero_grad()是清空上一批次的梯度如果不做梯度会在多个 batch 之间累积导致参数更新混乱。loss.backward()计算当前批次的梯度optimizer.step()根据梯度更新网络权重。这三个操作顺序固定少一个都不对。损失函数用CrossEntropyLoss它在 PyTorch 里已经内置了 Softmax 操作所以模型最后一层直接输出原始 logits 即可不需要手动加 Softmax。这个细节在课程答疑时很多人都搞错过他们手动加了一层 Softmax 再传入交叉熵损失导致梯度计算不稳定。训练结束后用测试集评估模型准确率correct 0 total 0 model.eval() with torch.no_grad(): for data, target in test_loader: data, target data.to(device), target.to(device) output model(data) pred output.argmax(dim1) correct (pred target).sum().item() total target.size(0) print(fAccuracy: {100 * correct / total:.2f}%)注意model.eval()和torch.no_grad()的区别前者主要影响 Dropout 和 BatchNorm 这类训练期和测试期行为不同的层后者是彻底关闭梯度计算两者配合才能得出可靠的测试结果。3. 训练过程中最常见的五个问题排查跑通基础代码只是第一步真正调模型才会遇见各种问题。下面五个问题是我在课程实验和帮同学排查时出现频率最高的每个都有明确的定位方法和解决路径。3.1 损失不下降学习率的设置问题现象是训练了好几个 epochloss 一直卡在 2.3 附近不动。这种情况九成是学习率设置不合理要么太大导致参数在最优解附近反复横跳要么太小导致参数更新幅度微乎其微。定位方法打印每个 epoch 的 loss观察变化趋势。如果 loss 来回抖动说明学习率过大如果 loss 始终平平稳稳看不清下降说明学习率过小。Adam 优化器的默认学习率是0.001这个值在大多数小规模实验中表现良好但遇到收敛慢的情况可以按 10 倍规律调整0.001 - 0.0001 或 0.01一次只动一个方向不要同时改多个超参数。3.2 训练集效果好测试集一塌糊涂过拟合训练准确率高到 99%测试准确率却只有 85%基本可以判定是过拟合。模型把训练集中每张图像的特征细节记住了但没有学到数字类别的本质规律一遇到新的样本就露馅。应对手段按效果排序加入 Dropout 层在全连接层之间随机丢弃部分神经元迫使模型学习更鲁棒的特征早停当验证集准确率连续几个 epoch 不提升时直接结束训练数据增强对图像做随机旋转、平移等变换扩充数据量这些方法不冲突可以叠加使用。实验报告里如果能同时给出本文还有配套的精品资源点击获取 深度学习实验从0到1：PyTorch环境搭建与MNIST实战
简介一套从0到1的大学深度学习课程实验源码基于PyTorch框架与Python语言编写覆盖机器学习基础、前馈神经网络FNN等核心实验适合计算机、数学、电子信息等专业课程设计、期末大作业和毕设参考也可供初学深度学习的开发者对照调试。压缩包共90个文件以53个Python源码文件为主体另含MNIST数据集、配置文件xml、实验效果图png及说明文档等整体大小约119MB目录按实验章节划分便于定位到对应任务的实现目前已有42人学习浏览。源码提供手动实现与PyTorch实现两种版本例如线性回归、FNN网络以及Momentum、RMSprop、Adam等多种优化器和L2正则化对比readme与可视化图片可帮助核对实验思路和输出结果。资源内还包含从数据处理、模型构建到结果展示的完整示例代码结构清晰并带注释读者可直接修改运行结合真实任务快速验证效果深入理解深度学习模型从建模、训练、评估到预测的完整流程是课设、毕设与项目起步阶段高效复用的实操素材。 当初选深度学习这门课的时候我以为课件里的代码都在照着敲一遍交作业就行。结果第一周就卡在环境安装上PyTorch 装了好几天GPU 版本和 CPU 版本来回折腾最后连个 MNIST 都没跑出来。这门课的实验难的不是算法本身而是从零开始把环境、数据、模型、训练、可视化这条链路完整走通。这篇就讲清楚我如何从 0 到 1 完成大学深度学习课程实验源码选择 PyTorch 框架 Python 语言的完整路径包含环境搭建、代码拆解、踩坑记录以及让实验报告拿高分的可视化技巧。适合正在上深度学习课、需要独立完成实验的同学也适合想快速上手 PyTorch 的初学者。1. 环境搭建别让版本问题拖垮实验进度我见过太多同学在环境上耗掉一周最后兴趣全无。原因非常统一一上来就装最新的。Python 出了 3.12 就装 3.12PyTorch 一有新版本就升级结果各种包互相不兼容报错信息堆成山最后还是乖乖装回旧版本。课程实验的第一原则是稳定能用不是版本最新。1.1 版本选型的参考数据先说结论这套实验源码用的版本组合是我的主力配置踩过坑之后固定下来之后再也没有换过组件推荐版本说明Python3.8 ~ 3.10兼容性最好3.10 以下装 torch 从来不缺轮子PyTorch2.0 ~ 2.3功能稳定教程多社区解决方案丰富torchvision与 torch 同版本必须配套否则会报 undefined symbol 类错误CUDA11.8 或 12.1覆盖大多数显卡驱动课程实验完全够用Python 3.8 看起来老但它是深度学习生态兼容性最稳的版本。很多课程配套的参考代码基于旧版本 PyTorch 编写Python 太新反而会触发各种兼容性报错。GPU 版 CUDA 也不需要追新11.8 到现在依旧是 PyTorch 官方默认支持最成熟的版本之一。1.2 用 Conda 建虚拟环境而不是直接装在基础环境直接在系统 Python 里装深度学习库是拿自己的电脑做实验的大忌。装坏了要重装系统 Python代价极高。用 Anaconda 或 Miniconda 创建独立虚拟环境装坏了直接删掉重建不伤根。conda create -n dl python3.9 conda activate dl pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118很多人不理解为什么用 pip 而不是 conda 直接装 torch。原因在于 PyTorch 官方对 pip 的版本控制最及时conda 源里的 torch 更新往往滞后而且 CPU 和 GPU 版本选择不直观。pip 指定--index-url能明确安装带 CUDA 的版本不会出现明明有 GPU 却装成 CPU 版的情况。1.3 是否必须用 GPUMNIST 用 CPU 也行不少同学为没有好显卡焦虑其实大可不必。MNIST 手写数字识别这类课程实验图像只有 28×28数据量 6 万张CPU 训练 10 个 epoch 也就几分钟。GPU 在这种小任务上的加速优势不明显反而会引入 CUDA 配置问题。你只需要在代码开头留一行设备判断自动适配运行环境device torch.device(cuda if torch.cuda.is_available() else cpu)这样在教室电脑和宿舍电脑都能运行。真正的 GPU 需求出现在后续课程会用到的 CIFAR-10、ImageNet 子集或者目标检测任务那时候再考虑 GPU 环境不迟。2. MNIST 实验的三板斧数据、模型、训练循环第一个实验基本都是 MNIST 手写数字识别把一张 28×28 像素的灰度图输入模型输出 0 到 9 之间的数字类别。这是深度学习界的 Hello World也是从 0 到 1 必过的坎。2.1 数据加载Dataset 和 DataLoader深度学习训练不是把整份数据一次性塞进内存而是通过 Dataset 管理样本、通过 DataLoader 按批次迭代。PyTorch 的 torchvision 包自带 MNIST 数据集省去了自己下载和解析的步骤但这里面的细节很多。from torch.utils.data import DataLoader from torchvision import datasets, transforms transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST( root./data, trainTrue, downloadTrue, transformtransform ) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue)很多人直接ToTensor()就完事不做归一化也能跑但效果会差一些。MNIST 官方数据集的像素均值和标准差分别是 0.1307 和 0.3081这两个常数是公开的直接用即可。归一化能让像素值分布接近标准正态分布模型收敛速度更快。shuffleTrue也很关键。如果不打乱训练数据的顺序模型会先反复看同一类数字再去学另一类损失曲线会呈现明显的阶梯状下降影响收敛稳定性。测试集不需要 shuffle但评估时要用torch.no_grad()否则测试过程也会计算梯度白白浪费显存和算力。2.2 模型搭建先从全连接网络开始课程实验不建议一上来就直接写 CNN虽然卷积网络准确率更高但全连接网络的结构更简单更容易理解前向传播、反向传播和梯度更新的完整流程。先把基础链路跑通再去追求精度更有成就感。import torch.nn as nn import torch.nn.functional as F class MLP(nn.Module): def __init__(self): super().__init__() self.fc1 nn.Linear(28 * 28, 256) self.fc2 nn.Linear(256, 128) self.fc3 nn.Linear(128, 10) def forward(self, x): x x.view(x.size(0), -1) x F.relu(self.fc1(x)) x F.relu(self.fc2(x)) return self.fc3(x)forward里面的x.view(x.size(0), -1)是把 28×28 的图像展平成 784 维的向量因为全连接网络只能接收一维特征输入。中间隐藏层的维度 256 和 128 是经验值不需要教科书式的推导后续课程会学自动确定网络结构的算法现阶段照常用即可。激活函数选择 ReLU 而不是 sigmoid 或 tanh是因为 ReLU 能有效缓解深层网络中的梯度消失问题计算也更简单。课程实验报告里如果能写出这一层的选择理由比大篇幅抄概念的含金量高很多。2.3 训练循环的标准范式PyTorch 的训练循环几乎是固定写法只要理解了这段代码后面所有模型基本都是同一个套路。import torch.optim as optim model MLP().to(device) optimizer optim.Adam(model.parameters(), lr0.001) criterion nn.CrossEntropyLoss() for epoch in range(10): for batch_idx, (data, target) in enumerate(train_loader): data, target data.to(device), target.to(device) optimizer.zero_grad() output model(data) loss criterion(output, target) loss.backward() optimizer.step()这个循环里每一步都有存在的理由。optimizer.zero_grad()是清空上一批次的梯度如果不做梯度会在多个 batch 之间累积导致参数更新混乱。loss.backward()计算当前批次的梯度optimizer.step()根据梯度更新网络权重。这三个操作顺序固定少一个都不对。损失函数用CrossEntropyLoss它在 PyTorch 里已经内置了 Softmax 操作所以模型最后一层直接输出原始 logits 即可不需要手动加 Softmax。这个细节在课程答疑时很多人都搞错过他们手动加了一层 Softmax 再传入交叉熵损失导致梯度计算不稳定。训练结束后用测试集评估模型准确率correct 0 total 0 model.eval() with torch.no_grad(): for data, target in test_loader: data, target data.to(device), target.to(device) output model(data) pred output.argmax(dim1) correct (pred target).sum().item() total target.size(0) print(fAccuracy: {100 * correct / total:.2f}%)注意model.eval()和torch.no_grad()的区别前者主要影响 Dropout 和 BatchNorm 这类训练期和测试期行为不同的层后者是彻底关闭梯度计算两者配合才能得出可靠的测试结果。3. 训练过程中最常见的五个问题排查跑通基础代码只是第一步真正调模型才会遇见各种问题。下面五个问题是我在课程实验和帮同学排查时出现频率最高的每个都有明确的定位方法和解决路径。3.1 损失不下降学习率的设置问题现象是训练了好几个 epochloss 一直卡在 2.3 附近不动。这种情况九成是学习率设置不合理要么太大导致参数在最优解附近反复横跳要么太小导致参数更新幅度微乎其微。定位方法打印每个 epoch 的 loss观察变化趋势。如果 loss 来回抖动说明学习率过大如果 loss 始终平平稳稳看不清下降说明学习率过小。Adam 优化器的默认学习率是0.001这个值在大多数小规模实验中表现良好但遇到收敛慢的情况可以按 10 倍规律调整0.001 - 0.0001 或 0.01一次只动一个方向不要同时改多个超参数。3.2 训练集效果好测试集一塌糊涂过拟合训练准确率高到 99%测试准确率却只有 85%基本可以判定是过拟合。模型把训练集中每张图像的特征细节记住了但没有学到数字类别的本质规律一遇到新的样本就露馅。应对手段按效果排序加入 Dropout 层在全连接层之间随机丢弃部分神经元迫使模型学习更鲁棒的特征早停当验证集准确率连续几个 epoch 不提升时直接结束训练数据增强对图像做随机旋转、平移等变换扩充数据量这些方法不冲突可以叠加使用。实验报告里如果能同时给出本文还有配套的精品资源点击获取