qiuzitao深度学习之PyTorch实战（六）

史上最简单、实际、通俗易懂的PyTorch实战系列教程！（新手友好、小白请进、建议收藏）

手把手教你搭建PyTorch神经网络进行气温预测

数据集：链接：https://pan.baidu.com/s/1BFGTUu19-TsUqxrJb9qqxA
　　　　提取码：seua

1、导入需要用到的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import warnings
warnings.filterwarnings("ignore")
%matplotlib inline

2、导入、查看数据

features = pd.read_csv('temps.csv')#看看数据长什么样子
features.head()

print('数据维度:', features.shape)

一共有348天，每一天有9个特征。

3、数据可视化

# 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (10,10))
fig.autofmt_xdate(rotation = 45)# 标签值
ax1.plot(dates, features['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Max Temp')# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')# 我的逗逼朋友
ax4.plot(dates, features['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')plt.tight_layout(pad=2)

4、数据预处理

① 提取出标准的时间数据格式：

# 处理时间数据
import datetime# 分别得到年，月，日
years = features['year']
months = features['month']
days = features['day']# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

dates[:5]

② 特征数字化，用独热编码（One-Hot Encoding），把 week 这一列数据进行转换。

# 独热编码
features = pd.get_dummies(features)
features.head(5)

By the way ，这里顺便介绍一下独热编码（One-Hot Encoding）（哑变量）：

One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

独热编码是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。（几个特征就有几位）

例如：数字手写体识别中：如数字字体识别 0~9 中，6 的独热编码为 0000001000 （10位数）

独热编码的优点：

能够处理非连续型数值特征。
在一定程度上也扩充了特征。比如性别本身是一个特征，经过one hot编码以后，就变成了男或女两个特征。

缺点：

当特征类别较多时，数据经过独热编码可能会变得过于稀疏。这时候一般要用PCA降维和它结合。

③ 数据标签处理：

# 标签
labels = np.array(features['actual'])# 在特征中去掉标签
features= features.drop('actual', axis = 1)# 名字单独保存一下，以备后患
feature_list = list(features.columns)# 转换成合适的格式
features = np.array(features)features.shape

④ 数据标准化：

from sklearn import preprocessing
input_features = preprocessing.StandardScaler().fit_transform(features)

input_features[0]

5、构建网络模型

① 第一种较为复杂的详细的方法（自己写自己搭）：

x = torch.tensor(input_features, dtype = float)y = torch.tensor(labels, dtype = float)# 权重参数初始化
weights = torch.randn((14, 128), dtype = float, requires_grad = True)  # 128个隐层特征
biases = torch.randn(128, dtype = float, requires_grad = True)
weights2 = torch.randn((128, 1), dtype = float, requires_grad = True)
biases2 = torch.randn(1, dtype = float, requires_grad = True) learning_rate = 0.001
losses = []for i in range(1000):# 计算隐层hidden = x.mm(weights) + biases  #矩阵乘法后加上偏置项b# 加入激活函数hidden = torch.relu(hidden)# 预测结果predictions = hidden.mm(weights2) + biases2# 通计算损失loss = torch.mean((predictions - y) ** 2)    #均方误差losses.append(loss.data.numpy())# 打印损失值if i % 100 == 0:print('loss:', loss)#反向传播计算loss.backward()#更新参数weights.data.add_(- learning_rate * weights.grad.data)  biases.data.add_(- learning_rate * biases.grad.data)weights2.data.add_(- learning_rate * weights2.grad.data)biases2.data.add_(- learning_rate * biases2.grad.data)# 每次迭代都得记得清空weights.grad.data.zero_()biases.grad.data.zero_()weights2.grad.data.zero_()biases2.grad.data.zero_()

predictions.shape

② 更简单的构建网络模型（调包）：

input_size = input_features.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16        #一次取16个数据扔进去训练
my_nn = torch.nn.Sequential(torch.nn.Linear(input_size, hidden_size),torch.nn.Sigmoid(),torch.nn.Linear(hidden_size, output_size),
)
cost = torch.nn.MSELoss(reduction='mean')
optimizer = torch.optim.Adam(my_nn.parameters(), lr = 0.001)

# 训练网络
losses = []
for i in range(1000):batch_loss = []# MINI-Batch方法来进行训练for start in range(0, len(input_features), batch_size):end = start + batch_size if start + batch_size < len(input_features) else len(input_features)xx = torch.tensor(input_features[start:end], dtype = torch.float, requires_grad = True)yy = torch.tensor(labels[start:end], dtype = torch.float, requires_grad = True)prediction = my_nn(xx)loss = cost(prediction, yy)  #计算lossoptimizer.zero_grad()    #梯度清零loss.backward(retain_graph=True)  #计算反向传播optimizer.step()   # 权重更新batch_loss.append(loss.data.numpy())# 打印损失if i % 100==0:losses.append(np.mean(batch_loss))print(i, np.mean(batch_loss))

6、预测结果

x = torch.tensor(input_features, dtype = torch.float)
predict = my_nn(x).data.numpy()  # x传进去网络后输出预测值，改成numpy格式是为了方便画图

# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date': dates, 'actual': labels})# 同理，再创建一个来存日期和其对应的模型预测值
months = features[:, feature_list.index('month')]
days = features[:, feature_list.index('day')]
years = features[:, feature_list.index('year')]test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in test_dates]predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)})

# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label = 'prediction')
plt.xticks(rotation = '60');
plt.legend()# 图名
plt.xlabel('Date'); plt.ylabel('Maximum Temperature (F)');
plt.title('Actual and Predicted Values');

可以看到，这条红线就是我们训练出来的模型的回归曲线，还是较为拟合的，也就是准确率还是很不错的。

qiuzitao深度学习之PyTorch实战（六）相关推荐

qiuzitao深度学习之PyTorch实战（十六）
史上最简单.实际.通俗易懂的PyTorch实战系列教程!(新手友好.小白请进.建议收藏) 基于3D卷积的视频分析与动作识别一.3D卷积原理解读视频就是一帧一帧的图像按照时间拼接组成的,3D卷积就是 ...
《深度学习之pytorch实战计算机视觉》第6章 PyTorch基础（代码可跑通）
上一篇文章<深度学习之pytorch实战计算机视觉>第5章 Python基础讲了Python基础.接下来看看第6章 PyTorch基础. 目录 6.1 PyTorch中的Tensor 6. ...
《深度学习之pytorch实战计算机视觉》第8章图像风格迁移实战（代码可跑通）
上一章<深度学习之pytorch实战计算机视觉>第7章迁移学习(代码可跑通)介绍了迁移学习.本章将完成一个有趣的应用,基于卷积神经网络实现图像风格迁移(Style Transfer).和 ...
pytorch 预测手写体数字_深度学习之PyTorch实战（3）——实战手写数字识别
如果需要小编其他论文翻译,请移步小编的GitHub地址传送门:请点击我如果点击有误:https://github.com/LeBron-Jian/DeepLearningNote 上一节,我们已经 ...
深度学习--猫狗大战pytorch实战
文章目录数据准备&处理模型构建训练 kaggle上的一个经典项目,拿来做做算是当CNN入门了,做的比较粗糙简单我把整个项目分成了四块 config用来配置一些参数,Dataset用来构 ...
深度学习与PyTorch实战
视频教程-深度学习与PyTorch入门实战教程-深度学习
深度学习与PyTorch入门实战教程新加坡国立大学研究员龙良曲 ¥399.00 立即订阅扫码下载「CSDN程序员学院APP」,1000+技术好课免费看 APP订阅课程,领取优惠,最少立减5元 ↓ ...
tensorflow 语义slam_研究《视觉SLAM十四讲从理论到实践第2版》PDF代码+《OpenCV+TensorFlow深度学习与计算机视觉实战》PDF代码笔记...
我们知道随着人工神经网络和深度学习的发展,通过模拟视觉所构建的卷积神经网络模型在图像识别和分类上取得了非常好的效果,借助于深度学习技术的发展,使用人工智能去处理常规劳动,理解语音语义,帮助医学诊断和支 ...
深度学习框架PyTorch快速开发与实战
深度学习框架PyTorch快速开发与实战邢梦来,王硕,孙洋洋著 ISBN:9787121345647 包装:平装开本:16开用纸:胶版纸正文语种:中文出版社:电子工业出版社出版时间:20 ...