pytorch 笔记:手动实现AR (auto regressive)
1 导入库& 数据说明
import numpy as np
import torch
import matplotlib.pyplot as plt
from tensorboardX import SummaryWriterx=np.array([[ 1, 2],[ 3, 4],[ 5, 6],[ 7, 10],[ 13, 18],[ 23, 30],[ 37, 50],[ 63, 86],[109, 146],[183, 246]])
xx=torch.tensor(x,dtype=torch.float32,requires_grad=True)
xx
我们有这样一组数据x,每一行代表一个时刻的二维数据,我们希望的是
2 模型
pytorch笔记 pytorch模型中的parameter与buffer_UQI-LIUWJ的博客-CSDN博客
import torchclass Net(torch.nn.Module):def __init__(self,lag_list):super(Net,self).__init__()self.lag_list=lag_list#时滞集self.l=len(self.lag_list)#时滞集大小self.param=torch.nn.Parameter(torch.zeros(self.l,2))#自回归系数,一个time lag 一行自回归系数#自回归系数放入Parameter里面,那么也会随着神经网路梯度下降更新#定义前向传播方式def forward(self,x):max_len=max(self.lag_list)#时滞集的最大元素,从这个元素之后的一个元素开始,考虑自回归预测和本身的差距l=x.shape[0]if(type(l)==type(1)):passelse:l=int(l)#这里为什么要这么分类一下呢?其实这也是我的一个疑问。'''直接用pytorch的话,l是一个int类型的数字但是如果使用了tensorboardX之后,l是一个Tensor,那么就得用类型转换回int'''tensor_len=l-max_len#表示需要进行(自回归预测-数据本身)比较的长度#也就是max_len后一位开始到最后的这一部分的长度lst_lag=[]#不同时滞集对应的输入数据的部分for i in self.lag_list:lst_lag.append(x[max_len-i:max_len-i+tensor_len].clone())#这里为什么要通过这种clone+放入列表的方式呢?#因为如果你直接在原始数据上进行切片操作【比如x[i]=x[i-1]+x[i-2]】这种#它会因为切片和inplace的问题,而无法传递梯度,最终会报错ret_tmp_origin=x[max_len:max_len+tensor_len].clone()#原始数据需要比较的一部分ret_var=self.param[0]*lst_lag[0]for i in range(1,self.l):ret_var=ret_var+self.param[i]*lst_lag[i]#自回归预测的部分return(ret_var-ret_tmp_origin)#自回归预测的部分和原始部分的差距
3 模型训练& tensorboardX可视化
net=Net([3,1])from tensorboardX import SummaryWriterwriter = SummaryWriter('runs/AR_pytorch')
#提供一个路径,将使用该路径来保存日志writer.add_graph(net,xx)
#添加net的计算图#使用Adams进行梯度下降,设置学习率为0.02
optimizer=torch.optim.Adam(net.parameters(),lr=0.02)#开始训练
for epoch in range(1000):prediction=net(xx)loss=torch.linalg.norm(prediction)#每次损失函数都是自回归预测和原始数据之间的L2范数writer.add_scalar('loss_',loss,epoch)#添加loss的summary信息optimizer.zero_grad()#清空上一步残余的参数更新值loss.backward()#误差反向传播,计算参数更新值optimizer.step()#将参数更新值施加到net的parameters上for i in net.parameters():writer.add_scalar('param-0_time_lag-3',i[0][0].item(),epoch)writer.add_scalar('param-1_time_lag-3',i[0][1].item(),epoch)writer.add_scalar('param-0_time_lag-1',i[1][0].item(),epoch)writer.add_scalar('param-1_time_lag-1',i[1][1].item(),epoch)
在tensorboardX上,有:
3.1 损失函数图像
3.2 自回归系数图像
可以看到,最后和我们目标的[2,1]很接近了
3.3 TensorboardX 计算图
整体如下,左边是自回归的计算路径,右边是原始数据(截取max_len之后的部分)的计算路径
3.3.1 右侧计算路径
ret_tmp_origin=x[max_len:max_len+tensor_len].clone()
#原始数据需要比较的一部分
3.3.2 左侧计算路径
左右路(下) x[2:9] (X[t-1])
左左路(下) x[0:7] (X[t-3])
左中路
就是不同时滞对应的切片*对应的param值
最后这是一个减法,自回归得到的和原始数据相减
4 使用Linear 进行自回归
1~3小节说的模型,可以想成是
其中Cl是向量
现在我们按照机器学习笔记:向量自回归模型VAR 中所说的那样,认为自回归的内容是矩阵(即Cl是矩阵)
4.1 重新构造数据集
首先我们重新构造数据集
import numpy as np
import torch
import matplotlib.pyplot as plt
from tensorboardX import SummaryWriterx=np.array([[ 1, 2],[ 3, 4],[ 5, 6]])for i in range(7):tmp=np.array([[1,0],[2,1]])@x[2+i].T+np.array([[2,1],[3,1]])@x[0+i].Ttmp=tmp.reshape(1,-1)x=np.append(x,tmp,axis=0)x
'''
array([[ 1, 2],[ 3, 4],[ 5, 6],[ 9, 21],[ 19, 52],[ 35, 111],[ 74, 229],[ 164, 486],[ 345, 1030],[ 722, 2171]])
'''
xx=torch.tensor(x,dtype=torch.float32,requires_grad=True)
可以想象成,此时
4.2 模型稍作修改
把param的部分换成了 modlst,其他的基本上都不变
import torchclass Net(torch.nn.Module):def __init__(self,lag_list):super(Net,self).__init__()self.lag_list=lag_list#时滞集self.l=len(self.lag_list)#时滞集大小self.modlst=torch.nn.ModuleList([])for i in range(self.l):self.modlst.append(torch.nn.Linear(2,2,bias=False))#自回归矩阵,一个time lag 一个自回归矩阵#自回归矩阵放入Parameter里面,那么也会随着神经网路梯度下降更新#定义前向传播方式def forward(self,x):max_len=max(self.lag_list)#时滞集的最大元素,从这个元素之后的一个元素开始,考虑自回归预测和本身的差距l=x.shape[0]if(type(l)==type(1)):passelse:l=int(l)#这里为什么要这么分类一下呢?其实这也是我的一个疑问。'''直接用pytorch的话,l是一个int类型的数字但是如果使用了tensorboardX之后,l是一个Tensor,那么就得用类型转换回int'''tensor_len=l-max_len#表示需要进行(自回归预测-数据本身)比较的长度#也就是max_len后一位开始到最后的这一部分的长度lst_lag=[]#不同时滞集对应的输入数据的部分for i in self.lag_list:lst_lag.append(x[max_len-i:max_len-i+tensor_len].clone())#这里为什么要通过这种clone+放入列表的方式呢?#因为如果你直接在原始数据上进行切片操作【比如x[i]=x[i-1]+x[i-2]】这种#它会因为切片和inplace的问题,而无法传递梯度,最终会报错ret_tmp_origin=x[max_len:max_len+tensor_len].clone()#原始数据需要比较的一部分ret_var=self.modlst[0](lst_lag[0])for i in range(1,self.l):ret_var=ret_var+self.modlst[i](lst_lag[i])#自回归预测的部分return(ret_var-ret_tmp_origin)#自回归预测的部分和原始部分的差距
4.3 训练模型
训练的时候也和之前的类似
net=Net([3,1])from tensorboardX import SummaryWriterwriter = SummaryWriter('runs/AR_fc_1_pytorch')
#提供一个路径,将使用该路径来保存日志writer.add_graph(net,xx)
#添加net的计算图#使用Adams进行梯度下降,设置学习率为0.02
optimizer=torch.optim.Adam(net.parameters(),lr=0.02)#开始训练
for epoch in range(10000):prediction=net(xx)loss=torch.linalg.norm(prediction)#每次损失函数都是自回归预测和原始数据之间的L2范数if(epoch>=200):writer.add_scalar('loss_',loss,epoch)#添加loss的summary信息optimizer.zero_grad()#清空上一步残余的参数更新值loss.backward()#误差反向传播,计算参数更新值optimizer.step()#将参数更新值施加到net的parameters上'''for i in net.parameters():writer.add_scalar('param-0_time_lag-3',i[0][0].item(),epoch)writer.add_scalar('param-1_time_lag-3',i[0][1].item(),epoch)writer.add_scalar('param-0_time_lag-1',i[1][0].item(),epoch)writer.add_scalar('param-1_time_lag-1',i[1][1].item(),epoch)'''if(epoch % 100==0):for i in net.parameters():print(i)'''
最后一次输出的参数为:
Parameter containing:
tensor([[1.9996, 0.9999],[3.0016, 1.0017]], requires_grad=True)
Parameter containing:
tensor([[9.9960e-01, 2.0738e-04],[2.0016e+00, 1.0019e+00]], requires_grad=True)
已经很接近我们设置数据集时候的自回归矩阵了
'''
pytorch 笔记:手动实现AR (auto regressive)相关推荐
- PYTORCH笔记 actor-critic (A2C)
理论知识见:强化学习笔记:Actor-critic_UQI-LIUWJ的博客-CSDN博客 由于actor-critic是policy gradient和DQN的结合,所以同时很多部分和policy ...
- pytorch笔记:policy gradient
本文参考了 策略梯度PG( Policy Gradient) 的pytorch代码实现示例 cart-pole游戏_李莹斌XJTU的博客-CSDN博客_策略梯度pytorch 在其基础上添加了注释和自 ...
- pytorch 笔记:tensorboardX
1 SummaryWriter 1.1 创建 首先,需要创建一个 SummaryWriter 的示例: from tensorboardX import SummaryWriter#以下是三种不同的初 ...
- pytorch 笔记:DataLoader 扩展:构造图片DataLoader
数据来源:OneDrive for Business 涉及内容:pytorch笔记:Dataloader_UQI-LIUWJ的博客-CSDN博客 torchvision 笔记:ToTensor()_U ...
- pytorch 笔记:torchsummary
作用:打印神经网络的结构 以pytorch笔记:搭建简易CNN_UQI-LIUWJ的博客-CSDN博客 中搭建的CNN为例 import torch from torchsummary import ...
- (d2l-ai/d2l-zh)《动手学深度学习》pytorch 笔记(2)前言(介绍各种机器学习问题)以及数据操作预备知识Ⅰ
开源项目地址:d2l-ai/d2l-zh 教材官网:https://zh.d2l.ai/ 书介绍:https://zh-v2.d2l.ai/ 笔记基于2021年7月26日发布的版本,书及代码下载地址在 ...
- torch的拼接函数_从零开始深度学习Pytorch笔记(13)—— torch.optim
前文传送门: 从零开始深度学习Pytorch笔记(1)--安装Pytorch 从零开始深度学习Pytorch笔记(2)--张量的创建(上) 从零开始深度学习Pytorch笔记(3)--张量的创建(下) ...
- (d2l-ai/d2l-zh)《动手学深度学习》pytorch 笔记(3)前言(介绍各种机器学习问题)以及数据操作预备知识Ⅲ(概率)
开源项目地址:d2l-ai/d2l-zh 教材官网:https://zh.d2l.ai/ 书介绍:https://zh-v2.d2l.ai/ 笔记基于2021年7月26日发布的版本,书及代码下载地址在 ...
- Pytorch笔记:风格迁移
Pytorch笔记:风格迁移 训练模型:风格迁移网络+VGG16网络 生成网络:风格迁移网络 代码如下(根据陈云<深度学习框架:Pytorch入门与实践>的代码改动) main.py im ...
最新文章
- 转:项目报告应该汇报什么内容?
- 简单综合部署nagios环境
- 使用SSM+JSP实现一个教务管理系统
- 题目1182:统计单词
- 转载--How to Install VMware Tools on CentOS 6.3
- BZOJ 1565 Luogu P2805 [NOI2009]植物大战僵尸 (Tarjan判环、最小割)
- FreeMarker快速上手
- UE4: 学习虚幻引擎4的16条准则
- 【数据结构】二叉树的python实现
- [读码时间] 跟随鼠标移动(大图展示)
- 统信操作系统UOS上手操作与初体验、功能测试
- [GUET-CTF2019]NO SOS(考点:古典密码,培根加密)
- 【pys60笔记】中文
- 中国互联网杀毒软件的简要发展历史
- SAP ABAP 解析 excel 文件的函数 TEXT_CONVERT_XLS_TO_SAP 单步执行分析
- 塑胶模具设计:产品分型面、插靠破、潜水进胶注意事项
- 微软商店游戏进不去服务器,微软应用商店一登陆就出这,登陆不了
- 深入剖析基于并发AQS的(独占锁)重入锁(ReetrantLock)及其Condition实现原理
- C51---13 DS18B20温度传感器
- 第五章 区块链应用的全球进展