CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)

最新推荐文章于 2024-04-22 22:00:32 发布
最新推荐文章于 2024-04-22 22:00:32 发布
阅读量1k 收藏 1
点赞数 1
分类专栏： 2024年机器学习&深度学习千例 文章标签： cnn pytorch 人工智能 机器学习 lstm 时间序列
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_68036862/article/details/133556204
版权

目录

一、基于PyTorch搭建CNN(一维卷积Conv1D)模型实现风速时间序列预测

二、配置类

三、时序数据集的制作

四、数据归一化

五、数据集加载器

六、搭建CNN(一维卷积Conv1D)模型

七、定义模型、损失函数、优化器

八、模型训练

九、可视化结果

完整源码

一、基于PyTorch搭建CNN(一维卷积Conv1D)模型实现风速时间序列预测

本专栏前面几篇文章讲解的都是基于RNN类网络（LSTM、GRU等）进行时间序列预测，因为RNN类网络天生固有特性就是可以提取时间层面的信息，如果有熟悉NLP的小伙伴可能了解使用卷积也可以处理序列信息。

在NLP领域有个经典的文本分类算法 textCNN 就是使用了卷积结构来处理文本序列数据，对于文本数据和时间序列数据格式类似，所以本篇文章尝试使用CNN卷积结构来进行时间序列预测。

如果熟悉PyTorch的小伙伴，在搭建卷积网络的时候可能会看到两种卷积模块，分别是 Conv1D 和 Conv2D，对于图像类任务我们常常使用的是二维卷积，对于序列类数据我们使用的就是 Conv1D 一维卷积，对于本篇卷积模型我们使用的是 Conv1D 一维卷积，其实也可以将图像任务中的二维卷积拿来用，对于这种情况我们下篇文章进行讲解如何使用二维卷积 Conv2D 处理时间序列数据。

二、配置类

下面是本项目需要使用的参数以及相关变量，为了方便我们将所有参数封装到一个类中，也可以使用 argparse 参数解析方式。

为了说明数据各个阶段的维度变化，特此定义了如下变量大小，小伙伴需要记住下面变量的值一遍理解下文说明各个阶段的维度大小。

class Config():
    data_path = '../data/wind_dataset.
了解本专栏 订阅专栏 解锁全文
人工智能_SYBH
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
基于PyTorch+CNN一维卷积实现短期电力负荷预测
CSDN 精品推荐
12-31 3946
本项目使用了一种基于一维卷积CNN短期电力负荷预测方法，该方法将历史负荷数据作为输入，将输入向量构造为时间序列形式作为 Conv1D 网络的输入，建模学习特征内部动态变化规律，最后完成短期负荷预测。
使用一维卷积和二维卷积实现MNIST数据集分类
03-21
1. **一维卷积(Conv1D)**: 通常用于处理一维数据，如时间序列或文本数据。在MNIST数据集中，由于图像为2D结构，直接应用Conv1D并不直观。然而，如果我们把每个28x28的图像看作一个28行的“一维”数据，可以尝试使用...
一维CNN处理序列数据,cnn处理时间序列,Python
09-10
使用一维卷积神经网络处理序列数据，数据类型为一维
【深度学习-第5篇】使用Python快速实现CNN分类（模式识别）任务，含一维、二维、三维数据演示案例（使用pytorch框架）
最新发布
fengzhuqiaoqiu的博客
04-22 2189
​CNN也可以扩展到非图像领域使用，比如对一组一维数据，也是同样可以实现分类的。本篇文章是之前CNN分类的MATLAB实现那篇文章的姊妹篇，通过这篇文章，大家将会快速掌握使用pytorch框架进行CNN分类的编程方法，另外对于主体代码流程，我也做了傻瓜化使用的封装，方便大家使用。 ​
Pytorch-CNN轴承故障一维信号分类(二)
小蜗爱建模的博客
12-11 3709
Pytorch探索对于一维信号CNN-1D卷积 还是CNN-2D卷积效果好
以TextCNN为例说明一维卷积工作详细过程 附Pytorch一维卷积使用指南 和 调参经验
Xu_Wave
04-08 3599
以TextCNN为例说明一维卷积工作详细过程 附Pytorch一维卷积使用指南 和 调参经验
【深度学习实验】卷积神经网络（一）：卷积运算及其Pytorch实现（一维卷积：窄卷积、宽卷积、等宽卷积；二维卷积）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽 暂时停更 十月重见
09-25 2831
本文主要介绍了卷积运算及其Pytorch实现，包括一维卷积（窄卷积、宽卷积、等宽卷积）、二维卷积。
PyTorch-实现对表格类型数据的一维卷积（CNN1D）
qq_40529151的博客
07-11 1万+
pytorch-实现对表格数据类型的一维卷积
pytorch搭建CNN卷积神经网络详解
热门推荐
Troublemaker丶的博客
04-06 2万+
个人觉得应该先写卷积操作的常见技术和公式操作，才能对卷积输入维度（结果），输出维度（结果）有更直观的了解吧。 简单介绍一下卷积的常用trick： Padding Striding 下方是输入输出公式（本人开始也很困惑，找到对应公式后，就十分明朗了）： n:原始输入的维度 | f:卷积核的大小 | p：padding的大小| s:stride的大小 no padding: n - ...
TensorFlow搭建CNN实现时间序列预测（风速预测）
KI的博客
08-29 5664
TensorFlow搭建CNN实现时间序列预测（风速预测）
pytorch之nn.Conv1d详解
anshiquanshu的专栏
10-27 1017
之前学习pytorch用于文本分类的时候，用到了一维卷积，花了点时间了解其中的原理，看网上也没有详细解释的博客，所以就记录一下。 Conv1d class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度 out_channels(int) – 卷积
pytorch中nn.Conv1d的用法详解
09-18
在PyTorch中，`nn.Conv1d`是用于一维卷积操作的模块，它在处理序列数据，如音频信号、时间序列分析或者文本数据时非常有用。本篇文章将详细解析`nn.Conv1d`的用法及其在实际代码中的应用。 一、`nn.Conv1d`的基本...
CNN0926_一维卷积_matlab1D-CNN_源码.zip
09-30
在1D CNN的MATLAB实现中，通常会用到`conv1d`函数来进行一维卷积，`relu`函数作为激活函数引入非线性，`maxpool1d`进行一维最大池化以减少计算量和防止过拟合，以及`fullyconnect`函数进行全连接层的构建。...
1D-CNN:非线性回归模型在一维卷积神经网络中的应用
04-12
一维卷积神经网络（1D-CNN）是一种在序列数据处理中广泛应用的深度学习模型，尤其在自然语言处理（NLP）、音频处理和时间序列分析等领域。与传统的二维卷积神经网络（2D-CNN）主要处理图像数据不同，1D-CNN专门设计...
【图解】一维卷积conv1d
子燕若水的博客
03-23 3948
这种架构处理文本时要考虑的是一维 CNN (Conv1D)。它们所基于的原理类似于使用AutoKeras 进行图像分类和回归时看到的 2D CNN。中，您可以看到执行的操作。左边的对象代表您的输入，中间的对象代表您的内核（大小为 (3,1)），右边的对象代表您的输出。注意此时的卷积核在连线上进行应用，没有直接被画出。，就像它们在上一章中学习图像一样。实际项目中的一维卷积。实际项目中的多维卷积。
Pytorch卷积CNN
weixin_44801870的博客
09-15 2021
输入通道数，在一维卷积中由于不存在通道数，因此in_channels的数值为词向量的维度，如果一个单词用128维向量表示，那么in_channels = 128：输出通道数，表示经过卷积之后，一个词向量嵌入维度应该为多少。如果out_channels = 64，那么经过本次卷积之后的每个词的嵌入维度为64。【多个卷积层组合在一起时要求上一层的输出通道数与本次输入通道数一致】
Pytorch实现CNN：LeNet（附代码实现与讲解）
ting_qifengl的博客
04-05 2664
本篇博客教大家使用MNIST数据集基于Pytorch框架实现比较经典的一种卷积神经网络：LeNet。运行环境：python 3.6.12，pytorch 1.6.0，torchvision 0.7.0。
Pytorch 序列模型
负负得正的博客
05-06 591
Pytorch 序列模型 0. 环境介绍 环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的 动手学深度学习 网站和 视频讲解 小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。 1. 序列模型 1.1 序列数据 实际中很多数据是有时序结构的 电影的评价随时间变化而变化 拿奖后评分上升，直到奖项被忘记 看了很多好电影后，人们的期望变高 季节性：贺岁片、暑期档 导演、演员的负面情报导致评分变低 音乐、语言、文本和视频都是连续的 标题 “狗咬人” 远没有 “人
cnn时间序列预测pytorch
10-19
您好，针对时间序列预测问题，可以使用卷积神经网络（CNN）进行建模。在PyTorch中，可以使用nn.Conv1d模块来实现一维卷积操作。具体步骤如下： 1. 准备数据集，将时间序列数据转换为二维张量，其中第一维表示时间步，第二维表示特征维度。 2. 定义CNN模型，可以使用多个卷积层和池化层来提取特征。 3. 定义损失函数和优化器。 4. 训练模型，并在验证集上进行评估。 以下是一个简单的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim # 准备数据集 x_train = torch.randn(100, 10) # 100个时间步，每个时间步有10个特征 y_train = torch.randn(100, 1) # 目标值为单个数值 # 定义CNN模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv1d(in_channels=10, out_channels=16, kernel_size=3) self.pool1 = nn.MaxPool1d(kernel_size=2) self.conv2 = nn.Conv1d(in_channels=16, out_channels=32, kernel_size=3) self.pool2 = nn.MaxPool1d(kernel_size=2) self.fc = nn.Linear(in_features=32*2, out_features=1) def forward(self, x): x = x.permute(0, 2, 1) # 将特征维度放在第二维 x = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 32*2) x = self.fc(x) return x model = CNN() # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.01) # 训练模型 for epoch in range(100): optimizer.zero_grad() y_pred = model(x_train) loss = criterion(y_pred, y_train) loss.backward() optimizer.step() print('Epoch {}, Loss: {:.4f}'.format(epoch+1, loss.item())) # 在验证集上进行评估 x_val = torch.randn(10, 10) y_val = torch.randn(10, 1) y_pred = model(x_val) val_loss = criterion(y_pred, y_val) print('Validation Loss: {:.4f}'.format(val_loss.item())) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

人工智能_SYBH

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值