PyTorch实战——搭建PyTorch神经网络进行气温预测

如果觉得我的分享对您的学习有帮助，可以点赞关注哈！谢谢哈！！！

（一）、理论部分：

1.数据处理

2.模型构建

1）复杂构建方法（方便熟悉构建过程）

2）简单构建方法（较为简单）

（二）、代码实战

1.导入模块

import os #python中import os是指导入os模块到当前程序。
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"##如果没有这段代码，将会出现内核断掉的情况
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

（1）、%matplotlib inline

官方给出的定义是：Python有一组预先定义好的所谓的魔法函数（Magic Functions），你可以通

过命令行的语法形式来访问它们。所以%matplotlib inline 可以在python编译器里直接使用，功能是

可以内嵌绘图，并且可以省略掉plt.show()这一步。用在Jupyter notebook（不能在pycharm中使

用）中具体作用是当你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，或者生成一个figure

画布的时候，可以直接在你的python console里面生成图像。使用%matplotlib命令可以将

matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定

matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。

（2）、warnings.filterwarnings("ignore")

警告过滤器用于控制警告消息的行为，如忽略，显示或转换为错误（引发异常）。警告过滤器维护

着一个有序的过滤规则列表，匹配规则用于确定如何处理警告，任何特定警告都将依次与列表中的

每个过滤规则匹配，直到找到匹配为止。import warnings，warnings.filterwarnings('ignore')。这两

行代码可以用在，解决在 Python 数据分析时，不管是调用模型还是调整参数，都充满了满篇红

色，有些可忽略，有些不可忽略。

2.读入数据

这个数据包可以自己在Excel中创建一个csv文件（我是看一个主播的csv文件，然后自己编了一个数据）

features=pd.read_csv("temps.csv")#pandas读取数据的格式
#看看数据长什么样子
features.head()#查看前五行数据

features.shape
(8, 9)

数据表中
year,moth,day,week分别表示的具体的时间； temp_2：前天的最高温度值； temp_1：昨天的最高温度值； average：在历史中，每年这一天的平均最高温度值； actual：这就是我们的标签值了，当天的真实最高温度； friend：这一列可能是凑热闹的，你的朋友猜测的可能值，咱们不管它就好了；

#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
#必须把str转换为datetime。转换方法是通过datetime.strptime()实现
#datetime.datetime.strptime:万能的日期格式转换
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

输出结果为：

[datetime.datetime(2016, 1, 1, 0, 0),
 datetime.datetime(2016, 1, 2, 0, 0),
 datetime.datetime(2016, 1, 3, 0, 0),
 datetime.datetime(2016, 1, 4, 0, 0),
 datetime.datetime(2016, 1, 5, 0, 0),
 datetime.datetime(2016, 1, 6, 0, 0),
 datetime.datetime(2016, 1, 7, 0, 0),
 datetime.datetime(2016, 1, 8, 0, 0)]

##要理解上面这段代码
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]##这一段主要讲的是datetime和列表表达式的知识点，要是小伙伴们不太理解，看看我的其他内容，有讲解的

上面的列表表达式在我的上一章节中有详细讲解。

3.展示和数据标准化（使用matplotlib画图）

plt.style.use('fivethirtyeight')##准备画图,##指定默认风格
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (15,15))# 设置布局
fig.autofmt_xdate(rotation = 45)#X轴上旋转45度并且右对齐
ax1.plot(dates, features['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Max Temp')# 
ax2.plot(dates, features['temp_1'])# 昨天
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')
ax3.plot(dates, features['temp_2'])# 前天
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')
ax4.plot(dates, features['friend'])# friend
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')#tight_layout会自动调整子图参数,使之填充整个图像区域
plt.tight_layout(pad=2)#会自动调整子图参数，使之填充整个图像区域。这是个实验特性，可能在一些情况下不工作。它仅仅检查坐标轴标签、刻度标签以及标题的部分。

上面画出的图像为：

在这里插入图片描述

1）图像风格问题：

这样可以查看画出的图像都有哪些风格？

print(plt.style.available) # 打印风格列表，需要哪一种风格就选哪一种风格

执行上面的代码可以看出有下面这些风格：

['Solarize_Light2', '_classic_test_patch', '_mpl-gallery', '_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-colorblind10']

2）、把数据转化为可以构建成网络模型的数据（独热编码）

features = pd.get_dummies(features)
features.head(5)

运行结果为：

这一步关键的操作可以将features转化为下面的这种格式，这一步就是利用pandas实现one hot encode（独热编码）的方式。可以将非数字字符比如(" Fri Sat Sun Mon Tues Wed Thur ")转化为用数字表示的形式：

转化后的数据为：

3）去除真实值（actual列），将来用模型预测出的值与这项值进行比较

# 标签
labels = np.array(features['actual'])
# 在特征中去掉标签
#drop函数默认删除行，列需要加axis = 1
features = features.drop('actual', axis = 1)
features

输出：

4）将数据标准化（数据的跨度比较大，有的值为‘1’，还有的是‘45’）

#对数据进行标准化,sklearn.preprocessing包提供了几个常用的实用函数和转换器类
from sklearn import preprocessing
#fit_transform是fit和transform的组合，既包括了训练又包含了转换。
input_features = preprocessing.StandardScaler().fit_transform(features)
#展示
input_features[0]

输出：

可以看出来处理完成之后的数据浮动较小，收敛速度较快。

4、构建网络模型

#转化成张量格式
x = torch.tensor(input_features, dtype = float)
y = torch.tensor(labels, dtype = float)
#初始化权重参数#返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。
weights = torch.randn((14, 128), dtype = float, requires_grad = True)
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 inrange(1000):
    # 计算隐层;x.mm（weights） x与weights相乘
    hidden = x.mm(weights) + biases
    # 加入激活函数
    hidden = torch.relu(hidden)
    # 预测结果,第二层
    predictions = hidden.mm(weights2) + biases2
    # 计算损失
    loss = torch.mean((predictions - y) ** 2)
    losses.append(loss.data.numpy())
    
    # 打印损失值if i % 100 == 0:
        print('loss:', loss)
    # 反向传播
    loss.backward()
    
    #更新参数,-号表示反方向
    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_()

randn(4*128)表示将输入的14个特征转化为128个隐层的特征。

输出结果为：

loss: tensor(5093.8568, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(28.5000, dtype=torch.float64, grad_fn=<MeanBackward0>)

5、更简单的网络模型

input_size = input_features.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16#通过Squential将网络层和激活函数结合起来，输出激活后的网络节点
my_nn = torch.nn.Sequential(
    #指定好输入输出
    torch.nn.Linear(input_size, hidden_size),
    torch.nn.Sigmoid(), 
    torch.nn.Linear(hidden_size, output_size),
)
#计算损失函数
cost = torch.nn.MSELoss(reduction='mean')
#优化器， 用做好的，会动态调整
optimizer = torch.optim.Adam(my_nn.parameters(), lr = 0.001)

#训练网络
losses = []
for i inrange(1000):
    batch_loss = []
    #MINI-Batch方法来进行训练for start inrange(0, len(input_features), batch_size):
        end = start + batch_size if start + batch_size < len(input_features) elselen(input_features)
        #取了部分数据
        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)
        #优化，梯度清零，反响传播,更新参数
        optimizer.zero_grad()
        loss.backward(retain_graph=True)
        optimizer.step()
        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))

输出结果为:

0 28.514753
100 28.50165
200 28.500153
300 28.500011
400 28.5
500 28.499996
600 28.5
700 28.5
800 28.5
900 28.499996

训练结果

x = torch.tensor(input_features, dtype = torch.float)
predict = my_nn(x).data.numpy()

格式转化，为画图准备1

# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day inzip(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 inzip(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)})

画图

# 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');

输出的结果为：

可以看出预测值与真实值还是比较拟合的。

标签： python matplotlib

本文转载自: https://blog.csdn.net/weixin_61057398/article/details/126432237
版权归原作者 小0p 所有，如有侵权，请联系我们删除。