【实测】小白一看就学会的python的AI模型torch（上）可以预测你的结婚年龄

最近正好在攻克AI用例生成的技术，所以恰好弄到了这个知识点，踩了个坑，觉得挺有意义，就特此记录一下~

**背景**：torch是python的一个训练AI模型的第三方库，挺好用的，但是参数都得是数字，也就是你的各种业务需求，都要先想办法转换成多角度画像的数字才能利用后续的什么均方差、随机梯度下降这种算法。当然，这并不难，任何事务都可以用纯数字来表示，比如我自己，性别:1（1表示男，2表示女），身高:174，年龄:33，日收入:900，爱好:1 (1代表游戏，2代表运动，3代表旅游) 等等.... ，这样一个人就可以用一大串数字组成的列表来代表：\[1,174,33,900,1\]     

这里说一下为什么用日收入，因为少啊！你用年收入，六位数了都！这对于其他数据 才1-3位来说，属于一个噪声数据，会让整个模型很糟糕很难预测，所以准备数据一般都要平滑一点，这叫归一化或标准化处理。

**正文：**

然后，你比如想要的一个预测模型，预测目的比如是你在多少岁可以结婚？那么这个结婚年龄，就是模型的一个输出。当然，你可以继续预测更多内容，比如你什么时候暴富... ，所以结果可能就是这样的列表\[28,31\] 

大家看一下，输入是\[1,174,33,900,1\] ,输出是\[28,31\] 。那么这就是一条数据，一个人的数据而已。如果你想使用这个模型真的去预测别人。那么你起码要有很多很多人的真实数据才能训练出来。

然后你去网上找了很多人的这个数据，然后所有输入都放在了一个大列表中，就会变成这样的一个二维列表 

\[ \[1,174,33,900,1\] , \[2,164,21,100,3\] ,\[1,174,49,150,2\] ... \]   

然后输出也给存放到一起变成一个大二维列表

\[ \[28,31\],\[25,42\],\[24,51\] ...\]

所以，接下来我们就简单的写一下这个模型：（当然前提是你要pip下载torch，然后直接复制到你本地运行就可以看到结果）

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

`class WQRF(nn.Module):`    `def __init__(self, i_data_count, m_data_count, o_data_count):`        `super().__init__()`        `self.ItoM = nn.Linear(i_data_count, m_data_count)`        `self.MtoO = nn.Linear(m_data_count, o_data_count)`
    `def forward(self, in_data):`        `im = torch.relu(self.ItoM(in_data))`        `return self.MtoO(im)`

`def get_test_data():`    `in_data = torch.tensor([[1, 174, 33, 900, 1], [2, 164, 21, 100, 3], [1, 174, 49, 150, 2]], dtype=torch.float32)`    `out_data = torch.tensor([[28, 31], [25, 42], [24, 51]], dtype=torch.float32)`    `return in_data, out_data`

`def make_AI():`    `wqrf = WQRF(i_data_count=5, m_data_count=16, o_data_count=2)`    `criterion = nn.MSELoss()`    `optimizer = optim.SGD(wqrf.parameters(), lr=0.01)`
    `# 获取整个数据集`    `in_data, out_data = get_test_data()`
    `# 由于in_data和out_data已经是整个数据集，因此下面的循环是全批量梯度下降`    `for epoch in range(10000):`        `optimizer.zero_grad()`        `# 在这里，我们使用整个数据集in_data进行一次前向传播`        `out_tmp = wqrf(in_data)`        `# 计算整个数据集的损失`        `loss = criterion(out_tmp, out_data)`        `# 反向传播损失，计算梯度`        `loss.backward()`        `# 使用优化器更新模型参数`        `optimizer.step()`        `print(f'第{epoch}次训练, 当前损失值：{loss.item()}')`

这里，我print的是每次的损失值，损失值越小代表越精准。在实际使用中，一般会进行的循环要求损失值小于多少才会停止，而不是这样直接写死10000次。但有些时候因为数据选的不好，所以永远也降不到损失值以下，那就会设置一个最高循环次数比如10000来结束。

看看损失值在开始的时候还是很大的：

但是最后的时候不但稳定而且很小：

还有，给的数据越多，预测误差就越小，循环次数越多也越小，但是执行时间就会比较高，没办法。

在结束后，我们可以直接保存好这个模型，以便之后调用其来预测新人的结婚和暴富年龄等，这可是根据大数据来预测的，可不是网上那种随机结果的骗人小程序哦~  大家可以部署后输入自己身边亲朋好友同学等人的基本信息，本地训练，然后预测自己的。毕竟大家都是一个地区和圈子内，结果应该比较准。

然后保存模型：（红圈代码，代码和之前训练的一起重新运行！才会保存！）

再次运行后，保存了这个模型文件：WQRF_AI.pt

这就是永久存储到你本地的模型了，之后要预测啥，直接调用就可以，很多同学喜欢网上下载一些AI的模型，大多也是.pt，就是这样生成的~ 以后就不用到处去网上搜还要下载了，这回当一个真正的极客，自己写模型！

然后就是使用：（你可以直接在当前文件继续写调用函数，只是再运行就别运行make_AI了，那是用来训练的。咱直接运行play_AI，这是直接用模型预测的！）

我们来假设有个女生：30岁，1米68，日收入1000，喜欢旅游。看看几岁结婚几岁暴富！

def play_AI():`    `in_data = torch.tensor([2,168,30,1000,3],dtype=torch.float32)`    `wqrf = WQRF(5,16,2)`    `wqrf.load_state_dict(torch.load('WQRF_AI.pt'))`    `result = wqrf(in_data)`    `print(result.tolist())`
`play_AI()

好，然后我们看看预测的结果：

答案出来了！25岁结婚！41岁暴富！

注意，这个模型因为已经有上万次的训练，所以非常精准，无论再预测几次结果都不会变。但是一开始给的三个数据确实假的，所以这个结果也是假的。大家请用自己身边至少几十个人的数据来训练才会有借鉴意义哦~

这，就是一个很简单的模型的创建和使用了~

目前，我已经成功把AI技术应用到了测试领域的一些场景中。

【 测试排期预测】需要多少天，什么时候封板，会有多少bug，有多大风险等均可根据大数据预测。结果根据学员反馈几乎精准无比！

【简历优化】目前更多依靠GPT和算法的结合哦，但是因为训练数据不足，所以优化效果和我亲自优化差很多。

【用例生成】同时融合了 GPT + 用例生成算法 + 本地AI 来生成用例，能帮助使用者节省80%的用例编写时间哦~ 但并不能完全替代测试，请不要裁掉我们！

【脚本预测】对自动化脚本的各种指标进行静态预测，比如需要运行多久，误报率多高，能发现多少bug，什么时候适合执行等等。已经半成熟了，可以拿出来讲了！

【自动找BUG】一般来说，代码的bug直接交给GPT就可以，但是我这里说的是业务上的bug，并非语法或者代码层面的。要根据需求和开发者和产品经理等指标来找出最可能发生bug的操作行为，这个技术目前是我正在攻克了一半的，所以暂时没有加入到课程和公众号文章连载中哦~ 请大家耐心等待。

但是，上面给大家讲的只是最简单最简单的一个应用。下一节文章，我会给大家讲，在更复杂的更高维的场景中，这个AI模型的代码要怎么改！

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓