Python：基于pytorch深度学习框架实现“多层感知机”(附带详细注释说明）+ 训练结果 + 理论详解

1. 相关理论知识
   【Adam】优化算法浅析
   多层感知机入门
   N折交叉验证的作用（如何使用交叉验证）
2. 用多层感知机实现房价预测

''' 多层感知机：房价预测 '''
import hashlib
import os
import tarfile
import zipfile
import requests

DATA_HUB = dict()  # 建立字典DATA_HUB， 它可以将数据集名称的字符串映射到数据集相关的二元组上， 这个二元组包含数据集的url和验证文件完整性的sha-1密钥
DATA_URL = 'http://d2l-data.s3-accelerate.amazonaws.com/'  # 地址为DATA_URL的站点


# 下面的download函数用来下载数据集， 将数据集缓存在本地目录（默认情况下为../data）中， 并返回下载文件的名称。
# 如果缓存目录中已经存在此数据集文件，并且其sha-1与存储在DATA_HUB中的相匹配， 我们将使用缓存的文件，以避免重复的下载。
def download(name, cache_dir=os.path.join('..', 'data')):
    """下载一个DATA_HUB中的文件，返回本地文件名"""
    assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}"
    url, sha1_hash = DATA_HUB[name]
    os.makedirs(cache_dir, exist_ok=True)
    fname = os.path.join(cache_dir, url.split('/')[-1])
    if os.path.exists(fname):
        sha1 = hashlib.sha1()
        with open(fname, 'rb') as f:
            while True:
                data = f.read(1048576)
                if not data:
                    break
                sha1.update(data)
        if sha1.hexdigest() == sha1_hash:
            return fname  # 命中缓存
    print(f'正在从{url}下载{fname}...')
    r = requests.get(url, stream=True, verify=True)
    with open(fname, 'wb') as f:
        f.write(r.content)
    return fname


def download_extract(name, folder=None):  # @save
    """下载并解压zip/tar文件"""
    fname = download(name)
    base_dir = os.path.dirname(fname)
    data_dir, ext = os.path.splitext(fname)
    if ext == '.zip':
        fp = zipfile.ZipFile(fname, 'r')
    elif ext in ('.tar', '.gz'):
        fp = tarfile.open(fname, 'r')
    else:
        assert False, '只有zip/tar文件可以被解压缩'
    fp.extractall(base_dir)
    return os.path.join(base_dir, folder) if folder else data_dir


def download_all():  # @save
    """下载DATA_HUB中的所有文件"""
    for name in DATA_HUB:
        download(name)


import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2l

DATA_HUB['kaggle_house_train'] = (  # @save
    DATA_URL + 'kaggle_house_pred_train.csv',
    '585e9cc93e70b39160e7921475f9bcd7d31219ce')

DATA_HUB['kaggle_house_test'] = (  # @save
    DATA_URL + 'kaggle_house_pred_test.csv',
    'fa19780a7b011d9b009e8bff8e99922a8ee2eb90')
train_data = pd.read_csv(download('kaggle_house_train'))
test_data = pd.read_csv(download('kaggle_house_test'))
# 训练数据集包括1460个样本，每个样本80个特征和1个标签， 而测试数据集包含1459个样本，每个样本80个特征。
print(train_data.shape)
print(test_data.shape)
print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])  # 打印四个样本的前四个和最后两个特征，以及相应标签（房价）

# 在每个样本中，第一个特征是ID， 这有助于模型识别每个训练样本。
# 虽然这很方便，但它不携带任何用于预测的信息。 因此，在将数据提供给模型之前，我们将其从数据集中删除。
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
# 将训练数据中的所有特征除以索引列以外的所有列（从第二列到倒数第一列）和测试数据中的所有特征除以索引列以外的所有列（从第二列到倒数第一列）连接起来，并赋值给变量all_features。

'''  数据预处理  '''
# 若无法获得测试数据，则可根据训练数据计算均值和标准差
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
# 通过all_features.dtypes != 'object'过滤掉all_features中非数值类型的列，然后利用索引操作将得到的结果赋值给numeric_features
all_features[numeric_features] = all_features[numeric_features].apply(lambda x: (x - x.mean()) / (x.std()))
# 对所有数据进行标准化
all_features[numeric_features] = all_features[numeric_features].fillna(0)
# 在标准化数据之后，所有均值消失，因此我们可以将缺失值设置为0

all_features = pd.get_dummies(all_features, dummy_na=True)
# 使用get_dummies函数对all_features进行one-hot编码，其中dummy_na参数为True表示当某一特征是NaN时也要创建相应的虚拟类别。最后将处理后的结果赋值给变量all_features。
print(all_features.shape)

n_train = train_data.shape[0]
train_features = torch.tensor(all_features[:n_train].values.astype(float), dtype=torch.float32)
# all_features[:n_train].values数组里的元素是object类型，无法直接将这种类型转换成tensor，要先强制转换成float类型：.astype(float)
test_features = torch.tensor(all_features[n_train:].values.astype(float), dtype=torch.float32)
train_labels = torch.tensor(train_data.SalePrice.values.reshape(-1, 1), dtype=torch.float32)
# train_data.SalePrice.values.reshape(-1, 1)把数据转成一列

''' 开始训练 '''
loss = nn.MSELoss()  # 定义平方误差和损失函数
in_features = train_features.shape[1]


def get_net():
    net = nn.Sequential(nn.Linear(in_features, 1))  # 线性模型
    return net


def log_rmse(net, features, labels):
    # 为了在取对数时进一步稳定该值，将小于1的值设置为1
    clipped_preds = torch.clamp(net(features), 1, float(
        'inf'))  # torch.clamp(input, min, max) 是 PyTorch 中的一个函数，用于将输入 tensor 的值限制在指定的范围内。该函数会返回一个新的 tensor，其中每个元素都等于 input tensor 的相应元素，但被限制在给定的 min 和 max 值之间。如果输入的值小于 min，则输出为 min；如果输入的值大于 max，则输出为 max。
    rmse = torch.sqrt(loss(torch.log(clipped_preds),
                           torch.log(labels)))  # 预测价格的对数与真实标签价格的对数之间的均方根误差
    return rmse.item()


# 训练
def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    train_iter = d2l.load_array((train_features, train_labels), batch_size)
    # 这里使用的是Adam优化算法
    optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate, weight_decay=weight_decay)
    for epoch in range(num_epochs):
        for X, y in train_iter:
            optimizer.zero_grad()
            l = loss(net(X), y)
            l.backward()
            optimizer.step()
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls


# K折交叉验证
def get_k_fold_data(k, i, X, y):
    assert k > 1
    fold_size = X.shape[0] // k
    X_train, y_train = None, None
    for j in range(k):
        idx = slice(j * fold_size, (j + 1) * fold_size)
        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            X_valid, y_valid = X_part, y_part
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            X_train = torch.cat([X_train, X_part], 0)
            y_train = torch.cat([y_train, y_part], 0)
    return X_train, y_train, X_valid, y_valid


# 当我们在\(K\)折交叉验证中训练\(K\)次后，返回训练和验证误差的平均值。
def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay, batch_size):
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        data = get_k_fold_data(k, i, X_train, y_train)
        net = get_net()
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate, weight_decay, batch_size)
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            d2l.plot(list(range(1, num_epochs + 1)), [train_ls, valid_ls],
                     xlabel='epoch', ylabel='rmse', xlim=[1, num_epochs],
                     legend=['train', 'valid'], yscale='log')
        print(f'折{i + 1}，训练log rmse{float(train_ls[-1]):f}, '
              f'验证log rmse{float(valid_ls[-1]):f}')
    return train_l_sum / k, valid_l_sum / k


# * k: 这是一个整数参数，表示数据集需要分成多少个折叠（也称为“折”）。在这个例子中，我们将数据集分成 5 个部分。
# * num_epochs: 这是一个整数参数，表示训练模型所需的迭代次数。在这个例子中，我们将模型训练 100 次。
# * lr: 这是一个浮点数参数，表示模型的学习率，控制模型更新权重的速度。在这个例子中，模型的学习率为 5。
# * weight_decay: 这是一个浮点数参数，表示正则化项中的权重衰减。它用于防止过拟合，可以通过调整超参数来改进模型性能。在这个例子中，权重衰减设置为 0。
# * batch_size: 这是一个整数参数，表示每次训练使用的样本数量。在这个例子中，我们每次训练使用 64 个样本。
# k_fold 是一个函数，它将数据集划分为 k 份，并对每一部分执行相同的训练和验证过程。
k, num_epochs, lr, weight_decay, batch_size = 5, 100, 10, 0.0, 64
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr, weight_decay, batch_size)
print(f'{k}-折验证: 平均训练log rmse: {float(train_l):f}, 'f'平均验证log rmse: {float(valid_l):f}')

3. 代码运行结果

(1460, 81)
(1459, 80)
   Id  MSSubClass MSZoning  LotFrontage SaleType SaleCondition  SalePrice
0   1          60       RL         65.0       WD        Normal     208500
1   2          20       RL         80.0       WD        Normal     181500
2   3          60       RL         68.0       WD        Normal     223500
3   4          70       RL         60.0       WD       Abnorml     140000
(2919, 330)

折1，训练log rmse0.148924, 验证log rmse0.147124
折2，训练log rmse0.145217, 验证log rmse0.163633
折3，训练log rmse0.143669, 验证log rmse0.148607
折4，训练log rmse0.147933, 验证log rmse0.146444
折5，训练log rmse0.142516, 验证log rmse0.173860
5-折验证: 平均训练log rmse: 0.145652, 平均验证log rmse: 0.155934