PyTorch实战：用MLP实现鸢尾花分类

1. 神经网络入门实战：从鸢尾花分类开始

作为一名长期在机器学习领域摸爬滚打的技术人，我经常被问到："神经网络听起来很复杂，有没有一个简单直观的入门案例？"今天就用PyTorch搭建一个最基础的多层感知机（MLP），用经典的鸢尾花数据集实现三分类任务。这个案例麻雀虽小五脏俱全，包含了数据预处理、模型构建、训练优化和评估全流程。

选择鸢尾花数据集有几个原因：首先它足够简单（4个特征，3个类别），可以让我们聚焦在神经网络的核心逻辑上；其次作为经典数据集，它的数据质量有保证；最重要的是，这个案例可以直观展示神经网络如何处理非线性分类问题。我们会从CUDA环境检查开始，一步步实现完整的训练流程。

2. 环境准备与数据预处理

2.1 检查CUDA加速环境

在开始之前，我们先确认PyTorch能否使用GPU加速。虽然这个小数据集在CPU上也能快速训练，但养成检查CUDA的习惯对后续大规模实验很重要：

python复制import torch

if torch.cuda.is_available():
    print("CUDA可用！")
    device_count = torch.cuda.device_count()
    print(f"可用的CUDA设备数量: {device_count}")
    current_device = torch.cuda.current_device()
    print(f"当前使用的CUDA设备索引: {current_device}")
    device_name = torch.cuda.get_device_name(current_device)
    print(f"当前CUDA设备的名称: {device_name}")
    cuda_version = torch.version.cuda
    print(f"CUDA版本: {cuda_version}")
else:
    print("CUDA不可用。")

注意：如果输出显示CUDA可用，后续可以通过.to('cuda')将模型和数据转移到GPU。不过对于这个小型示例，CPU和GPU的实际训练时间差异不大。

2.2 加载与划分数据集

我们使用sklearn内置的鸢尾花数据集，它包含150个样本，每个样本有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）和对应的3种类别标签：

python复制from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
X = iris.data  # 特征数据 (150, 4)
y = iris.target  # 标签数据 (150,)

# 按8:2划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(X_train.shape)  # (120, 4)
print(y_train.shape)  # (120,)
print(X_test.shape)   # (30, 4)
print(y_test.shape)   # (30,)

设置random_state=42确保每次运行都能得到相同的划分结果，这对实验复现很重要。

2.3 数据归一化与张量转换

神经网络对输入数据的尺度敏感，因此我们需要对特征进行归一化处理：

python复制from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)  # 训练集拟合并转换
X_test = scaler.transform(X_test)  # 测试集仅转换

# 转换为PyTorch张量
X_train = torch.FloatTensor(X_train)
y_train = torch.LongTensor(y_train)  # 分类标签需要long类型
X_test = torch.FloatTensor(X_test)
y_test = torch.LongTensor(y_test)

关键细节：测试集必须使用训练集的scaler进行转换，不能单独fit。这避免了数据泄露（data leakage），确保评估结果的真实性。

3. 构建多层感知机模型

3.1 模型架构设计

我们的MLP包含一个输入层（4个神经元，对应4个特征）、一个隐藏层（10个神经元）和一个输出层（3个神经元，对应3个类别）：

python复制import torch.nn as nn

class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(4, 10)  # 输入层到隐藏层
        self.relu = nn.ReLU()        # 激活函数
        self.fc2 = nn.Linear(10, 3)  # 隐藏层到输出层
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

选择ReLU作为激活函数是因为它在实践中表现良好，能有效缓解梯度消失问题。输出层不使用激活函数，因为后续的交叉熵损失函数已经包含了Softmax操作。

3.2 初始化模型与设置优化器

python复制model = MLP()
criterion = nn.CrossEntropyLoss()  # 交叉熵损失
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

这里使用SGD优化器，学习率设为0.01。对于更复杂的问题，可以考虑Adam等自适应优化器，但在这个简单案例中SGD已经足够。

4. 模型训练与可视化

4.1 训练循环实现

我们设置20,000个epoch，每100个epoch打印一次损失值：

python复制num_epochs = 20000
losses = []

for epoch in range(num_epochs):
    # 前向传播
    outputs = model(X_train)
    loss = criterion(outputs, y_train)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    # 记录损失
    losses.append(loss.item())
    
    if (epoch + 1) % 100 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

重要技巧：optimizer.zero_grad()必须在每次迭代开始时调用，否则梯度会累积导致训练不稳定。这是PyTorch初学者常犯的错误。

4.2 损失曲线可视化

训练完成后，我们可以绘制损失下降曲线：

python复制import matplotlib.pyplot as plt

plt.plot(range(num_epochs), losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.show()

正常情况下，我们应该看到损失值随着训练逐渐下降并趋于平稳。如果损失剧烈震荡，可能需要降低学习率；如果下降过慢，则可以适当增大学习率或检查模型结构。

5. 模型评估与实战技巧

5.1 测试集评估

训练完成后，我们可以在测试集上评估模型性能：

python复制with torch.no_grad():  # 禁用梯度计算
    outputs = model(X_test)
    _, predicted = torch.max(outputs.data, 1)
    accuracy = (predicted == y_test).sum().item() / y_test.size(0)
    print(f'Test Accuracy: {accuracy:.2f}')

在这个简单案例中，模型通常能达到95%以上的测试准确率。如果结果不理想，可以尝试以下调整：

1. 增加隐藏层神经元数量
2. 调整学习率
3. 增加训练epoch
4. 尝试不同的优化器

5.2 常见问题排查

问题1：损失值不下降

• 检查学习率是否过小
• 确认数据预处理是否正确
• 检查模型结构是否有误（如激活函数缺失）

问题2：过拟合

• 增加训练数据量
• 添加Dropout层
• 使用L2正则化

问题3：训练速度慢

• 检查是否启用了CUDA加速
• 尝试更大的batch size
• 简化模型结构

6. 扩展与改进方向

这个基础MLP可以进一步扩展：

1. 添加更多隐藏层构建深度网络
2. 实现早停（early stopping）机制
3. 加入批量归一化（BatchNorm）层
4. 实现k折交叉验证

对于实际项目，还需要考虑：

• 模型保存与加载（torch.save/torch.load）
• 训练过程可视化（如TensorBoard）
• 超参数调优（如使用Optuna）

这个简单的神经网络实现虽然基础，但包含了深度学习最核心的要素。理解了这个案例后，你就能更容易地过渡到更复杂的CNN、RNN等模型。