PyTorch/TensorFlow 深度学习快速入门

神经网络的简单应用

---

什么是深度学习？

深度学习 = 多层神经网络

社科应用场景：

• 文本分类（情感分析、主题分类）
• 图像分析（社交媒体图片）
• 序列预测（时间序列）

注意：社科研究中，传统机器学习（sklearn）通常已足够！

---

PyTorch 基础

安装

pip install torch

简单神经网络

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class SimpleNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 创建模型
model = SimpleNN(input_size=10, hidden_size=20, output_size=1)

# 损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练循环（简化）
for epoch in range(100):
    # 前向传播
    outputs = model(X_train)
    loss = criterion(outputs, y_train)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 预测
model.eval()
with torch.no_grad():
    predictions = model(X_test)

---

TensorFlow/Keras

更简洁的 API

import tensorflow as tf
from tensorflow import keras

# 定义模型
model = keras.Sequential([
    keras.layers.Dense(20, activation='relu', input_shape=(10,)),
    keras.layers.Dense(1)
])

# 编译
model.compile(
    optimizer='adam',
    loss='mse',
    metrics=['mae']
)

# 训练
history = model.fit(
    X_train, y_train,
    epochs=100,
    batch_size=32,
    validation_split=0.2,
    verbose=0
)

# 预测
predictions = model.predict(X_test)

---

实战：文本情感分类

from tensorflow import keras
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences

# 文本数据
texts = [
    "This product is amazing!",
    "Terrible experience, would not recommend.",
    "Pretty good overall.",
    # ...
]
labels = [1, 0, 1, ...]  # 1=正面, 0=负面

# 文本向量化
tokenizer = Tokenizer(num_words=10000)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
X = pad_sequences(sequences, maxlen=100)

# 模型
model = keras.Sequential([
    keras.layers.Embedding(10000, 16, input_length=100),
    keras.layers.GlobalAveragePooling1D(),
    keras.layers.Dense(16, activation='relu'),
    keras.layers.Dense(1, activation='sigmoid')
])

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

# 训练
model.fit(X, labels, epochs=10, batch_size=32)

---

何时使用深度学习？

适合深度学习

• 大规模数据（>10万样本）
• 图像、文本、音频
• 复杂的非线性关系

不适合深度学习

• 小样本（<1000）
• 表格数据（用 sklearn 更好）
• 需要可解释性

社科建议：优先用 sklearn，除非有特殊需求！

---

练习题

# （可选）尝试使用 PyTorch 或 TensorFlow:
# 1. 构建简单的回归模型
# 2. 训练并评估
# 3. 与 sklearn 结果对比

---

下一步

下一节：LLM API 快速使用（最实用！）

继续！