尧图网页设计 
简介本资源是一个基于PyCharm开发的神经网络二分类实战项目面向Python初学者及机器学习入门者聚焦图像识别类二分类任务如猫/非猫识别帮助读者掌握从环境搭建、数据预处理到模型训练与评估的完整流程。压缩包共6个文件含2个核心Python源码catdemo.py、lr_utils.py、2个H5格式预训练模型train_catvnoncat.h5、test_catvnoncat.h5用于数据加载与验证以及2个编译缓存文件.pyc整体大小2.35MB结构精简便于快速导入PyCharm运行调试。已有363人学习下载资源直接复现Keras构建的二分类神经网络包含Sigmoid输出层、Binary Crossentropy损失函数及Adam优化器等关键配置代码注释清晰并隐含数据归一化、特征缩放等预处理逻辑适合作为课程实验、课程设计或自学进阶的可运行范例。1. PyCharm 中跑通神经网络二分类任务不是装完插件就完事而是从环境隔离、数据加载到模型验证的闭环实践很多刚接触机器学习的开发者以为在 PyCharm 里新建一个 Python 文件、pip install torch tensorflow、抄一段model.fit()就算完成了“神经网络二分类”。结果运行报错ModuleNotFoundError: No module named torch查环境发现用的是系统全局 Python或者训练时显存爆满却不知如何限制 batch_size又或者验证准确率卡在 50% 不动才发现标签没做 one-hot 编码或损失函数选错了。这根本不是代码问题而是 PyCharm 下神经网络二分类项目的工程基座没搭稳。本文聚焦真实开发流用 PyCharm 管理独立虚拟环境、加载结构化/图像两类典型二分类数据、构建前馈/卷积神经网络、设置合理训练参数并验证结果。不讲抽象理论只讲你在 PyCharm 里点哪、输什么、改哪行、看哪条日志——尤其针对file_luckyw77_神经网络_PyCharm_二分类_这类命名暗示的本地实验型项目覆盖从空目录到可复现结果的完整路径。2. 在 PyCharm 中创建隔离的 Python 环境并安装神经网络核心依赖PyCharm 的本质优势不是写代码的界面而是对 Python 环境的精细化控制。神经网络二分类项目必须与系统 Python 或其他项目环境彻底隔离否则torch和tensorflow的 CUDA 版本冲突、scikit-learn与pytorch的numpy版本不兼容等问题会反复出现。常见做法是为每个项目新建独立的 Conda 或 venv 环境并在 PyCharm 中显式绑定。2.1 创建项目级 Conda 环境推荐用于神经网络Conda 对科学计算包的版本约束更友好尤其处理torch与 CUDA 驱动的匹配。打开 PyCharm →File→New Project→ 左侧选择Conda Environment→New environment→ 设置Environment location为项目根目录下的venv文件夹如./venv→Python version选 3.9 或 3.10避免 3.12 因部分深度学习库尚未适配导致编译失败。点击Create后PyCharm 会自动调用 conda 创建环境并激活。提示若提示conda is not available需先在系统中安装 Miniconda非 Anaconda并确保其bin/目录macOS/Linux或Scripts/目录Windows已加入系统 PATH。PyCharm 会自动探测 conda 可执行文件路径。2.2 手动安装神经网络必需依赖包环境创建后PyCharm 底部状态栏会显示当前解释器路径如venv/bin/python。此时不要直接在终端pip install而应通过 PyCharm 内置包管理器操作File→Settings→Project→Python Interpreter→ 右下角号 → 搜索并安装以下包按实际需求勾选包名版本建议用途说明torch2.1.0cu118NVIDIA GPU或2.1.0CPUPyTorch 核心支持前馈、CNN、RNN 等神经网络构建torchvision0.16.0提供图像预处理、常用数据集如 CIFAR-10、预训练模型scikit-learn1.3.0提供train_test_split、classification_report、confusion_matrix等二分类评估工具pandas2.0.3结构化数据CSV/Excel加载与特征工程matplotlib3.7.2训练曲线、混淆矩阵可视化tqdm4.66.1训练过程进度条提升可读性安装时注意若使用 GPU 版本torchPyCharm 会自动检测 CUDA 版本并提示是否安装对应cudatoolkit若未提示需手动安装conda install cudatoolkit11.8 -c conda-forge与torch版本匹配。2.3 验证环境与 GPU 可用性新建一个test_env.py文件粘贴以下代码并运行import torch import sklearn import pandas as pd print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) if torch.cuda.is_available(): print(CUDA device count:, torch.cuda.device_count()) print(Current device:, torch.cuda.get_device_name(0)) print(scikit-learn version:, sklearn.__version__) print(pandas version:, pd.__version__)预期输出应包含CUDA available: True如有 GPU且各包版本号无报错。若torch.cuda.is_available()返回False检查 NVIDIA 驱动是否 ≥ 525以及nvidia-smi命令能否正常执行——这不是 PyCharm 配置问题而是系统级 GPU 支持缺失。3. 构建二分类数据流水线结构化数据与图像数据的统一加载方式神经网络二分类的数据输入质量直接决定模型上限。PyCharm 项目中数据不应硬编码在脚本里而应通过标准化路径和 DataLoader 统一管理。file_luckyw77_这类命名暗示数据文件可能位于项目内需建立清晰的data/目录结构。3.1 结构化数据CSV/Excel的加载与预处理假设data/credit_risk.csv包含银行客户信息目标列default为 0/1 二分类标签。在 PyCharm 中新建data_loader_structured.pyimport pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelEncoder import torch from torch.utils.data import Dataset, DataLoader class CreditRiskDataset(Dataset): def __init__(self, csv_path, trainTrue, test_size0.2, random_state42): df pd.read_csv(csv_path) # 分离特征与标签 X df.drop(default, axis1) y df[default].values # 处理缺失值数值型用均值类别型用众数 for col in X.select_dtypes(include[number]).columns: X[col].fillna(X[col].mean(), inplaceTrue) for col in X.select_dtypes(include[object]).columns: X[col].fillna(X[col].mode()[0], inplaceTrue) # 类别特征编码 for col in X.select_dtypes(include[object]).columns: le LabelEncoder() X[col] le.fit_transform(X[col].astype(str)) # 划分训练/测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_sizetest_size, random_staterandom_state, stratifyy ) # 标准化神经网络对量纲敏感 scaler StandardScaler() if train: self.X scaler.fit_transform(X_train).astype(np.float32) self.y y_train.astype(np.int64) else: self.X scaler.transform(X_test).astype(np.float32) self.y y_test.astype(np.int64) def __len__(self): return len(self.y) def __getitem__(self, idx): return torch.tensor(self.X[idx]), torch.tensor(self.y[idx]) # 使用示例 if __name__ __main__: dataset CreditRiskDataset(data/credit_risk.csv, trainTrue) dataloader DataLoader(dataset, batch_size32, shuffleTrue) for x, y in dataloader: print(Batch shape:, x.shape, Label shape:, y.shape) break关键参数说明test_size0.2强制指定测试集占比避免train_test_split默认随机划分导致结果不可复现stratifyy确保训练/测试集中正负样本比例一致防止二分类任务因数据倾斜失效astype(np.float32)PyTorch 默认使用 float32显式转换避免类型错误shuffleTrue训练时打乱顺序提升泛化能力。3.2 图像数据猫狗二分类的加载与增强对于图像二分类PyCharm 项目应组织为data/images/train/cats/,data/images/train/dogs/,data/images/test/cats/,data/images/test/dogs/。新建data_loader_image.pyimport torch from torch.utils.data import DataLoader from torchvision import datasets, transforms # 定义图像预处理流水线 train_transform transforms.Compose([ transforms.Resize((224, 224)), # 统一分辨率 transforms.RandomHorizontalFlip(p0.5), # 数据增强水平翻转 transforms.ColorJitter(brightness0.2, contrast0.2), # 调整亮度对比度 transforms.ToTensor(), # 转为 tensor 并归一化到 [0,1] transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # ImageNet 标准化 ]) val_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset datasets.ImageFolder( rootdata/images/train, transformtrain_transform ) val_dataset datasets.ImageFolder( rootdata/images/test, transformval_transform ) # 创建 DataLoader train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4) print(Train classes:, train_dataset.classes) # [cats, dogs] print(Train samples:, len(train_dataset)) print(Val samples:, len(val_dataset))关键参数说明num_workers4启用 4 个子进程预加载数据加速 GPU 训练Windows 需设pin_memoryTruetransforms.Normalize使用 ImageNet 均值方差这是迁移学习的标配若从零训练 CNN 可改为mean[0.5,0.5,0.5], std[0.5,0.5,0.5]ImageFolder自动将子目录名映射为类别索引cats→0,dogs→1无需手动标注。4. 实现前馈神经网络与卷积神经网络从定义到训练的最小可行代码PyCharm 中的神经网络二分类模型必须满足两个条件一是能被torch.nn.Module正确继承并定义forward二是损失函数与优化器选择符合二分类逻辑。file_luckyw77_这类项目通常需要快速验证想法因此提供两种最小但完整的实现。4.1 前馈神经网络MLP用于结构化数据新建models/mlp.pyimport torch import torch.nn as nn class MLPClassifier(nn.Module): def __init__(self, input_dim, hidden_dim128, num_classes2): super().__init__() self.network nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), # 防止过拟合 nn.Linear(hidden_dim, hidden_dim // 2), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim // 2, num_classes) ) def forward(self, x): return self.network(x) # 初始化模型 model MLPClassifier(input_dim20) # 假设结构化数据有 20 个特征 print(model)训练脚本train_mlp.pyimport torch import torch.nn as nn from torch.optim import Adam from data_loader_structured import CreditRiskDataset from torch.utils.data import DataLoader from models.mlp import MLPClassifier # 加载数据 train_dataset CreditRiskDataset(data/credit_risk.csv, trainTrue) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) # 初始化模型、损失、优化器 model MLPClassifier(input_dimtrain_dataset.X.shape[1]) criterion nn.CrossEntropyLoss() # 二分类用 CrossEntropyLoss自动处理 softmax optimizer Adam(model.parameters(), lr0.001) # 训练循环 model.train() for epoch in range(10): total_loss 0 for x, y in train_loader: optimizer.zero_grad() outputs model(x) loss criterion(outputs, y) loss.backward() optimizer.step() total_loss loss.item() print(fEpoch {epoch1}, Loss: {total_loss/len(train_loader):.4f})注意nn.CrossEntropyLoss()内部已包含log_softmax因此模型forward输出无需再加softmax若手动加了会导致数值不稳定。4.2 卷积神经网络CNN用于图像数据新建models/cnn.pyimport torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d((4, 4)) # 自适应池化适配不同输入尺寸 ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(128 * 4 * 4, 128), nn.ReLU(), nn.Dropout(0.5), nn.Linear(128, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return x # 初始化模型 model SimpleCNN() print(model)训练脚本train_cnn.pyimport torch import torch.nn as nn from torch.optim import Adam from data_loader_image import train_loader, val_loader from models.cnn import SimpleCNN model SimpleCNN() criterion nn.CrossEntropyLoss() optimizer Adam(model.parameters(), lr0.001) # 训练 model.train() for epoch in range(5): for x, y in train_loader: optimizer.zero_grad() outputs model(x) loss criterion(outputs, y) loss.backward() optimizer.step() print(fEpoch {epoch1} completed)关键设计点AdaptiveAvgPool2d((4,4))替代固定尺寸池化使模型能接受任意分辨率输入如 224×224 或 256×256nn.Dropout(0.5)在全连接层前施加更强的正则化因图像数据易过拟合Adam学习率0.001是二分类 CNN 的安全起点若收敛慢可尝试0.0005。5. 二分类模型验证与结果分析从准确率到混淆矩阵的完整指标链训练完成不等于任务结束。PyCharm 项目中必须集成验证逻辑否则无法判断模型是否真正学会区分。file_luckyw77_这类实验项目尤其需要可复现的评估报告而非仅看loss下降。5.1 计算核心二分类指标新建evaluate.py复用scikit-learn的标准接口import torch import numpy as np from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, roc_auc_score from torch.utils.data import DataLoader from data_loader_structured import CreditRiskDataset from data_loader_image import val_loader from models.mlp import MLPClassifier from models.cnn import SimpleCNN def evaluate_mlp(model_pathmlp_model.pth): model MLPClassifier(input_dim20) model.load_state_dict(torch.load(model_path)) model.eval() val_dataset CreditRiskDataset(data/credit_risk.csv, trainFalse) val_loader DataLoader(val_dataset, batch_size64, shuffleFalse) all_preds [] all_labels [] with torch.no_grad(): for x, y in val_loader: outputs model(x) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(y.cpu().numpy()) # 计算指标 acc accuracy_score(all_labels, all_preds) report classification_report(all_labels, all_preds, target_names[No Default, Default]) cm confusion_matrix(all_labels, all_preds) print(fAccuracy: {acc:.4f}) print(\nClassification Report:) print(report) print(\nConfusion Matrix:) print(cm) def evaluate_cnn(model_pathcnn_model.pth): model SimpleCNN() model.load_state_dict(torch.load(model_path)) model.eval() all_preds [] all_labels [] with torch.no_grad(): for x, y in val_loader: outputs model(x) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(y.cpu().numpy()) acc accuracy_score(all_labels, all_preds) report classification_report(all_labels, all_preds, target_names[Cat, Dog]) cm confusion_matrix(all_labels, all_preds) print(fAccuracy: {acc:.4f}) print(\nClassification Report:) print(report) print(\nConfusion Matrix:) print(cm) if __name__ __main__: evaluate_mlp() # evaluate_cnn() # 取消注释以评估 CNN关键指标说明accuracy_score整体正确率但对不平衡数据如 95% 负样本不敏感classification_report输出精确率Precision、召回率Recall、F1-score三者缺一不可confusion_matrix直观显示 TP/TN/FP/FN是调试的核心依据例如 FP 高说明模型过度预测正类。5.2 可视化训练过程与决策边界在 PyCharm 中直接生成图表避免导出再查看。添加plot_utils.pyimport matplotlib.pyplot as plt import numpy as np def plot_training_curve(train_losses, val_accuracies, titleTraining Curve): fig, ax1 plt.subplots() color tab:red ax1.set_xlabel(Epoch) ax1.set_ylabel(Loss, colorcolor) ax1.plot(train_losses, colorcolor, labelTrain Loss) ax1.tick_params(axisy, labelcolorcolor) ax2 ax1.twinx() color tab:blue ax2.set_ylabel(Accuracy, colorcolor) ax2.plot(val_accuracies, colorcolor, labelVal Accuracy) ax2.tick_params(axisy, labelcolorcolor) fig.tight_layout() plt.title(title) plt.show() # 使用示例在 train_mlp.py 末尾添加 # train_losses [0.45, 0.32, 0.28, ...] # val_accuracies [0.72, 0.78, 0.81, ...] # plot_training_curve(train_losses, val_accuracies)提示PyCharm 默认支持 Matplotlib 图表内嵌显示需在Settings→Tools→Python Console→ 勾选Show command line afterwards并启用Use IPython。运行plot_training_curve后图表直接在 PyCharm 窗口弹出无需保存文件。6. PyCharm 中神经网络二分类的三个关键调参技巧让file_luckyw77_项目真正跑通很多 PyCharm 用户卡在“模型训出来了但效果差”问题往往不在模型结构而在三个易被忽略的实操细节。这些技巧不涉及复杂算法而是直击 PyCharm 环境下神经网络二分类的落地瓶颈。6.1 批大小batch_size与显存占用的动态平衡GPU 显存不足是 PyCharm 中最常见的中断点。batch_size32在 8GB 显存上可能 OOM而batch_size8又导致训练缓慢。解决方案不是盲目调小而是用 PyCharm 的Run Configuration动态测试右键点击训练脚本 →Modify Run Configuration→Environment variables→ 添加CUDA_LAUNCH_BLOCKING1此变量使 CUDA 错误立即抛出定位显存溢出位置在代码开头插入显存监控if torch.cuda.is_available(): print(fGPU memory before: {torch.cuda.memory_allocated()/1024**2:.1f} MB)从batch_size16开始运行观察memory_allocated值若接近显存总量如 7800MB则减半至 8若远低于阈值可逐步增至 64。注意CUDA_LAUNCH_BLOCKING1会显著降低训练速度仅用于调试。确认稳定后需移除该环境变量。6.2 标签编码一致性检查避免IndexError: Target 2 is out of bounds当classification_report报错Target 2 is out of bounds根源是标签值域不匹配。PyCharm 项目中常见于CSV 数据中default列含0,1,2误标但模型输出num_classes2图像数据目录名拼写错误如dog与dogs并存导致ImageFolder分出 3 类。解决方法在data_loader_*的__init__中强制校验# 在 CreditRiskDataset.__init__ 末尾添加 assert set(np.unique(y)) {0, 1}, fLabels must be {{0,1}}, got {set(np.unique(y))} # 在 ImageFolder 加载后添加 assert len(train_dataset.classes) 2, fExpected 2 classes, got {len(train_dataset.classes)}6.3 模型保存与加载的绝对路径陷阱PyCharm 运行脚本时的cwd当前工作目录默认是项目根目录但若右键单个.py文件运行cwd可能变为该文件所在目录。导致torch.save(model, model.pth)保存到错误位置后续torch.load找不到文件。可靠做法统一使用__file__获取脚本目录import os MODEL_PATH os.path.join(os.path.dirname(__file__), .., models, mlp_model.pth) # 保存 torch.save(model.state_dict(), MODEL_PATH) # 加载 model.load_state_dict(torch.load(MODEL_PATH))os.path.dirname(__file__)返回当前.py文件所在目录..回退到项目根确保路径稳定。本文还有配套的精品资源点击获取 PyCharm神经网络二分类实战：环境搭建、数据加载与模型验证
简介本资源是一个基于PyCharm开发的神经网络二分类实战项目面向Python初学者及机器学习入门者聚焦图像识别类二分类任务如猫/非猫识别帮助读者掌握从环境搭建、数据预处理到模型训练与评估的完整流程。压缩包共6个文件含2个核心Python源码catdemo.py、lr_utils.py、2个H5格式预训练模型train_catvnoncat.h5、test_catvnoncat.h5用于数据加载与验证以及2个编译缓存文件.pyc整体大小2.35MB结构精简便于快速导入PyCharm运行调试。已有363人学习下载资源直接复现Keras构建的二分类神经网络包含Sigmoid输出层、Binary Crossentropy损失函数及Adam优化器等关键配置代码注释清晰并隐含数据归一化、特征缩放等预处理逻辑适合作为课程实验、课程设计或自学进阶的可运行范例。1. PyCharm 中跑通神经网络二分类任务不是装完插件就完事而是从环境隔离、数据加载到模型验证的闭环实践很多刚接触机器学习的开发者以为在 PyCharm 里新建一个 Python 文件、pip install torch tensorflow、抄一段model.fit()就算完成了“神经网络二分类”。结果运行报错ModuleNotFoundError: No module named torch查环境发现用的是系统全局 Python或者训练时显存爆满却不知如何限制 batch_size又或者验证准确率卡在 50% 不动才发现标签没做 one-hot 编码或损失函数选错了。这根本不是代码问题而是 PyCharm 下神经网络二分类项目的工程基座没搭稳。本文聚焦真实开发流用 PyCharm 管理独立虚拟环境、加载结构化/图像两类典型二分类数据、构建前馈/卷积神经网络、设置合理训练参数并验证结果。不讲抽象理论只讲你在 PyCharm 里点哪、输什么、改哪行、看哪条日志——尤其针对file_luckyw77_神经网络_PyCharm_二分类_这类命名暗示的本地实验型项目覆盖从空目录到可复现结果的完整路径。2. 在 PyCharm 中创建隔离的 Python 环境并安装神经网络核心依赖PyCharm 的本质优势不是写代码的界面而是对 Python 环境的精细化控制。神经网络二分类项目必须与系统 Python 或其他项目环境彻底隔离否则torch和tensorflow的 CUDA 版本冲突、scikit-learn与pytorch的numpy版本不兼容等问题会反复出现。常见做法是为每个项目新建独立的 Conda 或 venv 环境并在 PyCharm 中显式绑定。2.1 创建项目级 Conda 环境推荐用于神经网络Conda 对科学计算包的版本约束更友好尤其处理torch与 CUDA 驱动的匹配。打开 PyCharm →File→New Project→ 左侧选择Conda Environment→New environment→ 设置Environment location为项目根目录下的venv文件夹如./venv→Python version选 3.9 或 3.10避免 3.12 因部分深度学习库尚未适配导致编译失败。点击Create后PyCharm 会自动调用 conda 创建环境并激活。提示若提示conda is not available需先在系统中安装 Miniconda非 Anaconda并确保其bin/目录macOS/Linux或Scripts/目录Windows已加入系统 PATH。PyCharm 会自动探测 conda 可执行文件路径。2.2 手动安装神经网络必需依赖包环境创建后PyCharm 底部状态栏会显示当前解释器路径如venv/bin/python。此时不要直接在终端pip install而应通过 PyCharm 内置包管理器操作File→Settings→Project→Python Interpreter→ 右下角号 → 搜索并安装以下包按实际需求勾选包名版本建议用途说明torch2.1.0cu118NVIDIA GPU或2.1.0CPUPyTorch 核心支持前馈、CNN、RNN 等神经网络构建torchvision0.16.0提供图像预处理、常用数据集如 CIFAR-10、预训练模型scikit-learn1.3.0提供train_test_split、classification_report、confusion_matrix等二分类评估工具pandas2.0.3结构化数据CSV/Excel加载与特征工程matplotlib3.7.2训练曲线、混淆矩阵可视化tqdm4.66.1训练过程进度条提升可读性安装时注意若使用 GPU 版本torchPyCharm 会自动检测 CUDA 版本并提示是否安装对应cudatoolkit若未提示需手动安装conda install cudatoolkit11.8 -c conda-forge与torch版本匹配。2.3 验证环境与 GPU 可用性新建一个test_env.py文件粘贴以下代码并运行import torch import sklearn import pandas as pd print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) if torch.cuda.is_available(): print(CUDA device count:, torch.cuda.device_count()) print(Current device:, torch.cuda.get_device_name(0)) print(scikit-learn version:, sklearn.__version__) print(pandas version:, pd.__version__)预期输出应包含CUDA available: True如有 GPU且各包版本号无报错。若torch.cuda.is_available()返回False检查 NVIDIA 驱动是否 ≥ 525以及nvidia-smi命令能否正常执行——这不是 PyCharm 配置问题而是系统级 GPU 支持缺失。3. 构建二分类数据流水线结构化数据与图像数据的统一加载方式神经网络二分类的数据输入质量直接决定模型上限。PyCharm 项目中数据不应硬编码在脚本里而应通过标准化路径和 DataLoader 统一管理。file_luckyw77_这类命名暗示数据文件可能位于项目内需建立清晰的data/目录结构。3.1 结构化数据CSV/Excel的加载与预处理假设data/credit_risk.csv包含银行客户信息目标列default为 0/1 二分类标签。在 PyCharm 中新建data_loader_structured.pyimport pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelEncoder import torch from torch.utils.data import Dataset, DataLoader class CreditRiskDataset(Dataset): def __init__(self, csv_path, trainTrue, test_size0.2, random_state42): df pd.read_csv(csv_path) # 分离特征与标签 X df.drop(default, axis1) y df[default].values # 处理缺失值数值型用均值类别型用众数 for col in X.select_dtypes(include[number]).columns: X[col].fillna(X[col].mean(), inplaceTrue) for col in X.select_dtypes(include[object]).columns: X[col].fillna(X[col].mode()[0], inplaceTrue) # 类别特征编码 for col in X.select_dtypes(include[object]).columns: le LabelEncoder() X[col] le.fit_transform(X[col].astype(str)) # 划分训练/测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_sizetest_size, random_staterandom_state, stratifyy ) # 标准化神经网络对量纲敏感 scaler StandardScaler() if train: self.X scaler.fit_transform(X_train).astype(np.float32) self.y y_train.astype(np.int64) else: self.X scaler.transform(X_test).astype(np.float32) self.y y_test.astype(np.int64) def __len__(self): return len(self.y) def __getitem__(self, idx): return torch.tensor(self.X[idx]), torch.tensor(self.y[idx]) # 使用示例 if __name__ __main__: dataset CreditRiskDataset(data/credit_risk.csv, trainTrue) dataloader DataLoader(dataset, batch_size32, shuffleTrue) for x, y in dataloader: print(Batch shape:, x.shape, Label shape:, y.shape) break关键参数说明test_size0.2强制指定测试集占比避免train_test_split默认随机划分导致结果不可复现stratifyy确保训练/测试集中正负样本比例一致防止二分类任务因数据倾斜失效astype(np.float32)PyTorch 默认使用 float32显式转换避免类型错误shuffleTrue训练时打乱顺序提升泛化能力。3.2 图像数据猫狗二分类的加载与增强对于图像二分类PyCharm 项目应组织为data/images/train/cats/,data/images/train/dogs/,data/images/test/cats/,data/images/test/dogs/。新建data_loader_image.pyimport torch from torch.utils.data import DataLoader from torchvision import datasets, transforms # 定义图像预处理流水线 train_transform transforms.Compose([ transforms.Resize((224, 224)), # 统一分辨率 transforms.RandomHorizontalFlip(p0.5), # 数据增强水平翻转 transforms.ColorJitter(brightness0.2, contrast0.2), # 调整亮度对比度 transforms.ToTensor(), # 转为 tensor 并归一化到 [0,1] transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) # ImageNet 标准化 ]) val_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset datasets.ImageFolder( rootdata/images/train, transformtrain_transform ) val_dataset datasets.ImageFolder( rootdata/images/test, transformval_transform ) # 创建 DataLoader train_loader DataLoader(train_dataset, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_dataset, batch_size32, shuffleFalse, num_workers4) print(Train classes:, train_dataset.classes) # [cats, dogs] print(Train samples:, len(train_dataset)) print(Val samples:, len(val_dataset))关键参数说明num_workers4启用 4 个子进程预加载数据加速 GPU 训练Windows 需设pin_memoryTruetransforms.Normalize使用 ImageNet 均值方差这是迁移学习的标配若从零训练 CNN 可改为mean[0.5,0.5,0.5], std[0.5,0.5,0.5]ImageFolder自动将子目录名映射为类别索引cats→0,dogs→1无需手动标注。4. 实现前馈神经网络与卷积神经网络从定义到训练的最小可行代码PyCharm 中的神经网络二分类模型必须满足两个条件一是能被torch.nn.Module正确继承并定义forward二是损失函数与优化器选择符合二分类逻辑。file_luckyw77_这类项目通常需要快速验证想法因此提供两种最小但完整的实现。4.1 前馈神经网络MLP用于结构化数据新建models/mlp.pyimport torch import torch.nn as nn class MLPClassifier(nn.Module): def __init__(self, input_dim, hidden_dim128, num_classes2): super().__init__() self.network nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), # 防止过拟合 nn.Linear(hidden_dim, hidden_dim // 2), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim // 2, num_classes) ) def forward(self, x): return self.network(x) # 初始化模型 model MLPClassifier(input_dim20) # 假设结构化数据有 20 个特征 print(model)训练脚本train_mlp.pyimport torch import torch.nn as nn from torch.optim import Adam from data_loader_structured import CreditRiskDataset from torch.utils.data import DataLoader from models.mlp import MLPClassifier # 加载数据 train_dataset CreditRiskDataset(data/credit_risk.csv, trainTrue) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) # 初始化模型、损失、优化器 model MLPClassifier(input_dimtrain_dataset.X.shape[1]) criterion nn.CrossEntropyLoss() # 二分类用 CrossEntropyLoss自动处理 softmax optimizer Adam(model.parameters(), lr0.001) # 训练循环 model.train() for epoch in range(10): total_loss 0 for x, y in train_loader: optimizer.zero_grad() outputs model(x) loss criterion(outputs, y) loss.backward() optimizer.step() total_loss loss.item() print(fEpoch {epoch1}, Loss: {total_loss/len(train_loader):.4f})注意nn.CrossEntropyLoss()内部已包含log_softmax因此模型forward输出无需再加softmax若手动加了会导致数值不稳定。4.2 卷积神经网络CNN用于图像数据新建models/cnn.pyimport torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size3, padding1), nn.ReLU(), nn.AdaptiveAvgPool2d((4, 4)) # 自适应池化适配不同输入尺寸 ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(128 * 4 * 4, 128), nn.ReLU(), nn.Dropout(0.5), nn.Linear(128, num_classes) ) def forward(self, x): x self.features(x) x self.classifier(x) return x # 初始化模型 model SimpleCNN() print(model)训练脚本train_cnn.pyimport torch import torch.nn as nn from torch.optim import Adam from data_loader_image import train_loader, val_loader from models.cnn import SimpleCNN model SimpleCNN() criterion nn.CrossEntropyLoss() optimizer Adam(model.parameters(), lr0.001) # 训练 model.train() for epoch in range(5): for x, y in train_loader: optimizer.zero_grad() outputs model(x) loss criterion(outputs, y) loss.backward() optimizer.step() print(fEpoch {epoch1} completed)关键设计点AdaptiveAvgPool2d((4,4))替代固定尺寸池化使模型能接受任意分辨率输入如 224×224 或 256×256nn.Dropout(0.5)在全连接层前施加更强的正则化因图像数据易过拟合Adam学习率0.001是二分类 CNN 的安全起点若收敛慢可尝试0.0005。5. 二分类模型验证与结果分析从准确率到混淆矩阵的完整指标链训练完成不等于任务结束。PyCharm 项目中必须集成验证逻辑否则无法判断模型是否真正学会区分。file_luckyw77_这类实验项目尤其需要可复现的评估报告而非仅看loss下降。5.1 计算核心二分类指标新建evaluate.py复用scikit-learn的标准接口import torch import numpy as np from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, roc_auc_score from torch.utils.data import DataLoader from data_loader_structured import CreditRiskDataset from data_loader_image import val_loader from models.mlp import MLPClassifier from models.cnn import SimpleCNN def evaluate_mlp(model_pathmlp_model.pth): model MLPClassifier(input_dim20) model.load_state_dict(torch.load(model_path)) model.eval() val_dataset CreditRiskDataset(data/credit_risk.csv, trainFalse) val_loader DataLoader(val_dataset, batch_size64, shuffleFalse) all_preds [] all_labels [] with torch.no_grad(): for x, y in val_loader: outputs model(x) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(y.cpu().numpy()) # 计算指标 acc accuracy_score(all_labels, all_preds) report classification_report(all_labels, all_preds, target_names[No Default, Default]) cm confusion_matrix(all_labels, all_preds) print(fAccuracy: {acc:.4f}) print(\nClassification Report:) print(report) print(\nConfusion Matrix:) print(cm) def evaluate_cnn(model_pathcnn_model.pth): model SimpleCNN() model.load_state_dict(torch.load(model_path)) model.eval() all_preds [] all_labels [] with torch.no_grad(): for x, y in val_loader: outputs model(x) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(y.cpu().numpy()) acc accuracy_score(all_labels, all_preds) report classification_report(all_labels, all_preds, target_names[Cat, Dog]) cm confusion_matrix(all_labels, all_preds) print(fAccuracy: {acc:.4f}) print(\nClassification Report:) print(report) print(\nConfusion Matrix:) print(cm) if __name__ __main__: evaluate_mlp() # evaluate_cnn() # 取消注释以评估 CNN关键指标说明accuracy_score整体正确率但对不平衡数据如 95% 负样本不敏感classification_report输出精确率Precision、召回率Recall、F1-score三者缺一不可confusion_matrix直观显示 TP/TN/FP/FN是调试的核心依据例如 FP 高说明模型过度预测正类。5.2 可视化训练过程与决策边界在 PyCharm 中直接生成图表避免导出再查看。添加plot_utils.pyimport matplotlib.pyplot as plt import numpy as np def plot_training_curve(train_losses, val_accuracies, titleTraining Curve): fig, ax1 plt.subplots() color tab:red ax1.set_xlabel(Epoch) ax1.set_ylabel(Loss, colorcolor) ax1.plot(train_losses, colorcolor, labelTrain Loss) ax1.tick_params(axisy, labelcolorcolor) ax2 ax1.twinx() color tab:blue ax2.set_ylabel(Accuracy, colorcolor) ax2.plot(val_accuracies, colorcolor, labelVal Accuracy) ax2.tick_params(axisy, labelcolorcolor) fig.tight_layout() plt.title(title) plt.show() # 使用示例在 train_mlp.py 末尾添加 # train_losses [0.45, 0.32, 0.28, ...] # val_accuracies [0.72, 0.78, 0.81, ...] # plot_training_curve(train_losses, val_accuracies)提示PyCharm 默认支持 Matplotlib 图表内嵌显示需在Settings→Tools→Python Console→ 勾选Show command line afterwards并启用Use IPython。运行plot_training_curve后图表直接在 PyCharm 窗口弹出无需保存文件。6. PyCharm 中神经网络二分类的三个关键调参技巧让file_luckyw77_项目真正跑通很多 PyCharm 用户卡在“模型训出来了但效果差”问题往往不在模型结构而在三个易被忽略的实操细节。这些技巧不涉及复杂算法而是直击 PyCharm 环境下神经网络二分类的落地瓶颈。6.1 批大小batch_size与显存占用的动态平衡GPU 显存不足是 PyCharm 中最常见的中断点。batch_size32在 8GB 显存上可能 OOM而batch_size8又导致训练缓慢。解决方案不是盲目调小而是用 PyCharm 的Run Configuration动态测试右键点击训练脚本 →Modify Run Configuration→Environment variables→ 添加CUDA_LAUNCH_BLOCKING1此变量使 CUDA 错误立即抛出定位显存溢出位置在代码开头插入显存监控if torch.cuda.is_available(): print(fGPU memory before: {torch.cuda.memory_allocated()/1024**2:.1f} MB)从batch_size16开始运行观察memory_allocated值若接近显存总量如 7800MB则减半至 8若远低于阈值可逐步增至 64。注意CUDA_LAUNCH_BLOCKING1会显著降低训练速度仅用于调试。确认稳定后需移除该环境变量。6.2 标签编码一致性检查避免IndexError: Target 2 is out of bounds当classification_report报错Target 2 is out of bounds根源是标签值域不匹配。PyCharm 项目中常见于CSV 数据中default列含0,1,2误标但模型输出num_classes2图像数据目录名拼写错误如dog与dogs并存导致ImageFolder分出 3 类。解决方法在data_loader_*的__init__中强制校验# 在 CreditRiskDataset.__init__ 末尾添加 assert set(np.unique(y)) {0, 1}, fLabels must be {{0,1}}, got {set(np.unique(y))} # 在 ImageFolder 加载后添加 assert len(train_dataset.classes) 2, fExpected 2 classes, got {len(train_dataset.classes)}6.3 模型保存与加载的绝对路径陷阱PyCharm 运行脚本时的cwd当前工作目录默认是项目根目录但若右键单个.py文件运行cwd可能变为该文件所在目录。导致torch.save(model, model.pth)保存到错误位置后续torch.load找不到文件。可靠做法统一使用__file__获取脚本目录import os MODEL_PATH os.path.join(os.path.dirname(__file__), .., models, mlp_model.pth) # 保存 torch.save(model.state_dict(), MODEL_PATH) # 加载 model.load_state_dict(torch.load(MODEL_PATH))os.path.dirname(__file__)返回当前.py文件所在目录..回退到项目根确保路径稳定。本文还有配套的精品资源点击获取