pytorch p9-气温预测

本节课跟着老师做demo

导包

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')

读取数据

# 可视化图形
print(features.head(5))

说明：前面是时间

• temp_2:前天的最高气温
• temp_1:昨天的最高气温
• average: 每年这一天的平均最高温度值
• actual : 实际的值,y值,要预测的值
• friend : 一个不准确的数据,朋友猜的今天的气温（误差大）

print("数据维度:", features.shape)
print("数据类型:", type(features))

数据维度: (348, 9)    //348天 ，每天9个特征 
数据类型: <class 'pandas.core.frame.DataFrame'>

接下来，为了 后面  的时间展示更加方便，对时间数据 进行预处理，转换为datetime 。

# 处理时间数据
import datetime

# 分别得到年/月/日
years = features['year']
months = features['month']
days = features['day']

# 处理成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]

画图看数据趋势是啥样子 的。 这块 是辅助理解直观规律的。

# 画图展示:观察数据大概是什么样子的
plt.style.use('fivethirtyeight') # 指定默认风格

# 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('昨天 Max Temp',fontproperties = 'Heiti TC')

# 前天
ax3.plot(dates,features['temp_2'])
ax3.set_xlabel('');ax3.set_ylabel('Temperature');ax3.set_title('前天 Max Temp')

# 朋友
ax4.plot(dates,features['friend'])
ax4.set_xlabel('');ax4.set_ylabel('Temperature');ax4.set_title('Friend Estimate')

plt.tight_layout(pad=2)
plt.xlabel('中文',fontproperties = 'Heiti TC',fontsize = 20)
plt.show()

     matplotlib.pyplot库的中文显示为框框，网上有些设置办法，需要自己动手验证下，因为windows跟mac 还不太一样。上面的demo里面 ，我特意对比了下。title，label  都可以正确 的显示中文。这里我为了简单只要一行代码。

    

#  编码转换,把星期做 转换
features = pd.get_dummies(features)
print(features.head())

 这里对非数字的特征星期week 做转换。也是独热编码

 

# 标签
labels = np.array(features['actual'])

# 去掉标签后的数据
features = features.drop('actual',axis=1)

features_list = list(features.columns)

# 将train转成合适的格式
features = np.array(features)

温度的真实值作为标签（ 就是Y）。去掉标签的做输入 特征 （就是X）。

数据预处理

观察前面的数据，需要 标准化。

# 对特征进行标准化操作
from sklearn import preprocessing

input_feature = preprocessing.StandardScaler().fit_transform(features)

 构建网络模型

 对特征和标签进行torch.tensor处理,转换为tensor格式，初始化weight和biases,构建一个空列表存储损失Loss.使用batch_size进行迭代优化,利用weight.grad 和 biases.grad进行学习率的梯度优化

    每次迭代中进行前向传播和反向传播两个过程：

前向传播就是每一层之间是如何传递的,输入层->隐层->激活函数->计算损失

反向传播：从backward()开始反向传播计算->更新参数->每次迭代后清空参数的梯度

我有个体会 ，作为小白对于深度学习的的 这些理论还是云里雾里 

x = torch.tensor(input_feature,dtype=float)
y = torch.tensor(labels,dtype=float)

# 权重的参数初始化
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)

# 学习率和损失
learning_rate = 0.001
losses = []

for i in range(1000):
    # 就是隐层 mm是矩阵乘法
    hidden = x.mm(weights) + biases
    # 加入激活函数
    hidden = torch.relu(hidden)
    # 预测结果
    predict = hidden.mm(weights2) + biases2
    # 计算损失
    loss = torch.mean((predict - y) ** 2)
    losses.append(loss.data.numpy())  # loss.data.numpy()这种写法记住

    # 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)

    # 每次迭代后,需要清空梯度的值,不然下次会累加,就会出错
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()

输出 结果：随着迭代进行，损失降低了。

将x重新输入到网络中，计算获得最终的prediction，进行最终的作图

hidden = x.mm(weights) + biases
# 加入激活函数
hidden = torch.sigmoid(hidden)
# 预测结果
prediction = hidden.mm(weights2) + biases2

prediction = prediction.detach().numpy()
plt.plot(dates, y, 'b-', label='actual')
plt.plot(dates, prediction, 'ro', label='predit')
plt.xticks(rotation=60)
plt.title("Temperature Predict")
plt.xlabel("Date")
plt.ylabel("Temperature")
plt.show()

 

 这一节老师是带你快速熟悉深度学习 的模型搭建过程，如果熟悉的可以跳过，如果不太明白，还是去B站看下视频，我没能跟视频整理 的那么细致。