PyTorch框架：（2）使用PyTorch框架构建神经网络模型---气温预测
目錄
第一步：數據導入
第二步：將時間轉換成標準格式(比如datatime格式)
第三步： 展示數據：（畫了4個子圖）
?第四步：做獨熱編碼
?第五步：指定輸入與輸出
?第六步：對數據做一個標準化
?第七步：用torch來構建一個神經網絡模型
第八步：預測結果
?第九步：畫圖
第一步：數據導入
第二步：將時間轉換成標準格式(比如datatime格式)
?
第三步： 展示數據：（畫了4個子圖）
?
?
?第四步：做獨熱編碼
Q1：為什么做獨熱編碼？
A1：因為數據中其中有一列比較特殊，其他列都是數值，但是week列是一些字符串，我們首先將字符串轉換成一種數值的形式，比較簡單的方法就是做一個獨熱編碼，在pandas當中可以使用pd.get_dummies()不用把這個特征傳進來，我直接features，因為features是我們傳進來的一個數據他會自動的幫我們做判斷，判斷這個數據中哪一列是字符串，我自動對他做獨熱(one-hot)編碼。
?如上做完one-hot編碼之后，week這一列就沒有了，數據里邊做了一個one-hot encoding，對我們當前需要的列做了一個額外的編碼，并且還再次把他們拼接到我們的數據當中。
PS：這就是數據處理的第一步，先把數據都轉換成數值的形式。
?第五步：指定輸入與輸出
因為x和y都混在一起了，一會建模的時候我得知道我的輸入是什么，我的輸出是什么，所以需要指定好。
?
?PS：上述代碼中從features中剔除掉(.drop)標簽actual，剩下的就是x了。
?第六步：對數據做一個標準化
因為數據中有些數值比較大，有些數值比較小(做完標準化之后結果收斂的速度會更快一些，收斂的損失值相對于來說會更小一點)。所以做一個標準化預處理再用torch進行建模。
這里使用的是sklearn中的預處理模塊，在預處理模塊中有一個標準化的操作：
此時數據是ndarray格式。
?第七步：用torch來構建一個神經網絡模型
構建網絡模型有兩種方法：第一種是比較麻煩的，一步步的去寫；第二種簡單一些。
第一種：基于Pytorch來構建神經網絡模型。
?
?（1）首先將上述的ndarray格式的數據轉換成tensor格式。
（2）權重參數初始化：一般使用隨機的標準的正態分布比較合適。
- ? ? ? 準備w1和b1：
? ? ? ? ? ? ? ?初始化w1：輸入是[348,14]，要把現在的14個輸入特征，轉換成128個隱層特征。w就是[14,128]。
? ? ? ? ? ? ? ?初始化偏置參數b1：對于w1來說來說我得到了128個神經元特征，那b1就是微調，不是對整體做一個微調，而是對每一個特征都做一個微調。PS：偏置參數的個數永遠是跟得到的特征結果個數是一致的。
第一個隱層得到了128個特征，我輸出結果是一個回歸任務，要得到一個實際的值，所以128肯定不行，我得再來個w2；
- ? ? ? 準備w2和b2：
? ? ?? ? ? ? ?初始化w2[128,1]前邊連的是你中間的特征128個，我要把這128個特征轉化成一個值，回歸任務是一個值，所以說w2的矩陣維度就是128x1；
? ? ? ? ? ? ? 初始化偏置參數b2=1，因為最終結果得到的是一個值，所以b2為1，是對最終的結果進行一個微調。
PS：注意權重參數在接下來迭代過程當中要計算他的梯度，所以在初始化過程中，都帶了參數requires_grad=True，都是需要計算梯度的。
（3）初始化學習率。
（4）把上述初始化的參數由前到后給它串起來。
- ? ? ? ? ? ? ?計算第一個隱層結果：.mm就是矩陣乘法。
- ? ? ? ? ? ? ?將結果經過激活函數：.relu激活函數。
- ? ? ? ? ? ? ?計算最后一層的結果。
- ? ? ? ? ? ? ?------------------至此前向傳播計算出來了--------------------------
- ? ? ? ? ? ? ?計算損失。
- ? ? ? ? ? ? ?基于損失執行反向傳播(計算梯度)、并更新w1、b1和w2、b2；(負的學習率表示我沿著梯度的反方向，把學習率乘過來，把梯度乘過來就完事了)PS：更新完一次梯度時，記得清空，要不然下次會累加在一起的。
?第二種：更簡單的構建網絡模型
?
retain_graph=True表示接下來要不要重復的執行這個cell的代碼，指定為True，重復執行的話他不會報錯。
??指定輸入的樣本數量；
隱層神經元的個數；
輸出的結果；
加上batch_size；(加上batch_size之后，之前訓練的時候是把數據全部讀入進去，相當于批量梯度下降，這里我們不做批量梯度下降，使用mini_batch，指定一個batch)
構建網絡模型；(之前構建模型是一步步寫的wx+b，這樣比較麻煩)
? ? ? ? ? 第一步：先把序列寫好?；按照torch.nn模塊下序列去寫。
? ? ? ? ? ? ? ? ? ? ? ?第一層指定好它的輸入與輸出(hidden_size得到多少個隱層的神經元)，中間加上激活函數；
? ? ? ? ? ? ? ? ? ? ? ?第二層再連一個全連接層nn.Linear(hidden_size,output_size)。第一個參數表示寫好前邊連什么，第二個參數表示得到什么結果。
?所以這樣直接使用touch.nn模塊下的序列結構，可以把這個網絡直接的定義出來(這里按照兩層全連接的模塊去寫，后續可以加卷積加池化等都可以torch.nn模塊下你能想到的層別人都給你寫好了，直接調用就行)。
? ? ? ? ? 第二步：損失函數直接調用現成的包。
? ? ? ? ? 第三步：把優化器拿進來。(之前是做一個梯度下降，每一次自己計算梯度，自己更新，自己再置0，這樣比較麻煩；簡單方法使用torch當中的優化器，優化器里邊有挺多的，這里使用SGD梯度下降也行用Adm也行，Adm用的更多一些，他可以動態的去調整學習率，學習率一開始可能會比較大，他會加入一個衰減函數，讓學習率隨著迭代進行慢慢變小，所以這個應該是更合理一些的)
? ? ? ? ?第四步：指定玩優化器之后開始訓練網絡。(訓練網絡的方法其實和之前是一樣的，寫一個循環，這里多做了一步，這里不是取全部的數據了，而是取其中部分的數據，在這里torch.tensor當中在構造它的輸入數據的時候，這里傳進來兩個索引，一個是start索引，一個是end索引，表示我從原始數據當中一步步的每一次取16個數據，因為設置了batch=16，所以每次會取16個這樣的x和y；接下來預測一個結果prediction，就是走一個前向傳播，my_nn(xx)里邊的xx就是我輸入的一個batch的數據，然后剛才在定義序列的時候給他起的名字叫做my_nn，然后要得到一個結果你只需要在這個my_nn當中把實際的x給傳進去，相當于這一塊x來了之后，先走my_nn中的第一個torch.nn.Linear()，再走第二個torch.nn.Sigmoid()，再走第三個torch.nn.Linear()按照這個順序得到一個輸出結果，這就完事了；所以預測值比較簡單，不需要一步步去寫他是怎么計算的，只需要把它傳入到我們剛才定義好的序列模塊當中就可以了；然后計算損失值使用定義的cost方法MSELoss；然后做優化,優化過程中每次迭代一次要對梯度進行清0的操作optimizer.zero_grad()(這一步放到后邊也行)，然后進行一次反向傳播，接下來optimizer.step()就是說我們要不要去做一個更新，.step相當于把前邊的所有的更新操作放入到這一個函數當中了，直接調用就可以了；接下來為了一會把這個損失打印出來我把這個損失batch_loss給他讀進來就完事了。之后就是打印損失)這一步對應上圖中的第二個圖。
第八步：預測結果
?拿一個x，轉化為tensor的格式，傳到網絡當中，其實傳入到網絡就是相當于走了一次前向傳播，會得到實際的預測值，把實際結果的預測值拿到手就可以了，.data.numpy()相當于轉化成array數組的形式(因為下邊要使用myplot畫圖，不轉化成numpy的格式的話tensor的格式畫不了)。
?第九步：畫圖
?
X軸定義為日期，所以先把日期都拿到手轉化成標準的格式dates；
拿預測的結果值predictions_data(其中predict要reshape一下因為我們要的是一列的格式，不能是一個矩陣的格式。并要構建一個DataFrame，因為基于DataFrame畫圖比較簡單，直接傳進去就得了。）
總結
以上是生活随笔為你收集整理的PyTorch框架：（2）使用PyTorch框架构建神经网络模型---气温预测的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PyTorch框架：（1）基本处理操作
- 下一篇： PyTorch框架：（3）使用PyTor