如何用python做深度学习

下面给你一个从零到入门的 Python 深度学习实践路线，配合最常用的工具和示例代码，适合初学者。

一、先准备环境

1. 安装 Python

建议使用 Python 3.9+

2. 安装深度学习框架（任选其一）

最常用的是 PyTorch 和 TensorFlow

安装 PyTorch（推荐）

pip install torch torchvision

安装 TensorFlow

pip install tensorflow

二、深度学习基本流程

数据 → 模型 → 损失函数 → 优化器 → 训练 → 评估

三、用 PyTorch 做一个简单深度学习示例（神经网络）

1. 准备数据（以分类为例）

import torch
from torch import nn
from torch.utils.data import DataLoader
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

X_train = torch.tensor(X_train, dtype=torch.float32)
y_train = torch.tensor(y_train, dtype=torch.long)
X_test = torch.tensor(X_test, dtype=torch.float32)
y_test = torch.tensor(y_test, dtype=torch.long)

2. 定义神经网络模型

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(20, 64),
            nn.ReLU(),
            nn.Linear(64, 2)
        )

    def forward(self, x):
        return self.net(x)

model = Net()

3. 定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

4. 训练模型

for epoch in range(50):
    model.train()
    optimizer.zero_grad()
    output = model(X_train)
    loss = criterion(output, y_train)
    loss.backward()
    optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

5. 测试模型

model.eval()
with torch.no_grad():
    pred = model(X_test).argmax(dim=1)
    acc = (pred == y_test).float().mean()
    print("Accuracy:", acc.item())

四、更简单的入门方式（Keras）

如果你刚入门，推荐 TensorFlow + Keras

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(64, activation='relu', input_shape=(20,)),
    Dense(2, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

model.fit(X_train, y_train, epochs=20, batch_size=32)

五、常见深度学习任务

六、学习建议（很重要）

1. 先学 Python + NumPy
2. 再学 PyTorch 基础
3. 做小项目：
   • 手写数字识别（MNIST）
   • 房价预测
   • 文本分类
4. 不要一开始就啃论文

如果你愿意，我可以：

• 给你 MNIST 完整代码
• 教你 用 GPU 训练
• 帮你 做课程作业 / 毕业设计
• 讲 深度学习数学基础

你现在是零基础还是已经会 Python 了？