人工智能神经网络就是用来找规律的

致谢：赵越人工智能AI开发课(Python+PyCharm+PyTorch)。 
人人都能听懂的课，参见原视频课赵越人工智能AI开发课(Python+PyCharm+PyTorch)-学习视频教程-腾讯课堂

# coding=utf-8
import torch
from torch import optim
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from torch import nn
# 解决中文乱码方法
from pylab import mpl

'''
---解决OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. OMP: Hi
'''
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
#---end

mpl.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体FangSong仿宋
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
#标准化
def normalize(data):
    mu =  torch.mean(data)
    std = torch.std(data)
    return (data - mu)/std

#归一化
def guiyimaxmin(x):
   min = torch.min(x)
   max = torch.max(x)
   return (x - min) / (max - min)

npx=np.random.randint(0,100,(1000,1))
npy=np.power(npx,4)/3+npx*8+80
#实现矩阵拼接
npxy=np.concatenate((npx,npy),axis=1)
#DataFrame是一种数据框结构,相当于是一个矩阵形式，单元格可以存放数值、字符串等，这和excel表很像；
pdx=pd.DataFrame(npxy,columns=['x','y'])
#生成1data.xlsx
pdx.to_excel('1data.xlsx',sheet_name='Sheet1',header=True,index=False)
#sheetname='Sheet1'表示第一张sheet
# header=True,把列标也就是‘x’显示出来
# index=False，不需要添加行标
#读取1data.xlsx
pdxy = pd.read_excel('1data.xlsx')
#sheetname=0表示第一张sheet
# header=0,第一行作为各列名
# index_col=0 去掉添加的列标

#转为张量数据
data = torch.tensor(pdxy.values,dtype=torch.float)

#训练数据行
train_rows=900
#预测数据行
test_rows=100

x=data[0:train_rows,0:-1]
x=guiyimaxmin(x)
y=data[0:train_rows,[-1]]
x1 = data[train_rows:train_rows+test_rows, 0:-1]
x1=guiyimaxmin(x1)
y1 = data[train_rows:train_rows+test_rows, [-1]]

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Sequential(
         #线性层(下同)
           nn.Linear(1,20),
           #激活函数(下同)
           nn.ReLU(),
           nn.Linear(20,10),
           nn.ReLU(),
           nn.Linear(10, 5),
           nn.ReLU(),
           nn.Linear(5,1)
        )
   #前向传播
    def forward(self, x):
        x = self.conv1(x)
        return x

#指定设备类型，可以是CPU，也可以是GPU
# device=torch.device('cpu')
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
#前向传播求出预测的值
model = Net().to(device)
#损失函数
criteon = nn.MSELoss().to(device)
#优化器
optimizer = optim.Adam(model.parameters(), lr=0.3)
trainlosslist=[]
testlosslist=[]
plt.ion()
#训练次数，采用梯度下降法
for epoch in range(401):
   model.train()
   x, y = x.to(device), y.to(device)
   logits = model(x)
   #求loss
   loss = criteon(logits, y)
   #梯度置零，也就是把loss关于权重的导数变成0
   optimizer.zero_grad()
   #反向传播求梯度
   loss.backward()
   #更新所有参数
   optimizer.step()
   # print(epoch, 'loss:', loss.item())  # loss.item()将一个零维张量转换成浮点数
   trainlosslist.append(loss.item())
   model.eval()
   #不需要计算梯度，也不会进行反向传播
   with torch.no_grad():  # test
      x1, y1 = x1.to(device), y1.to(device)
      logits = model(x1)
      testloss = criteon(logits, y1)
      testlosslist.append(testloss.item())
   #'''
   if epoch % 20 == 0:
      plt.cla()
      l3=plt.scatter(np.arange(y1.shape[0]),y1.to(device='cpu'))
      l4=plt.scatter(np.arange(logits.shape[0]),logits.to(device='cpu'))
      plt.legend([l3, l4], ['%d个值的真实结果'% y1.shape[0], '%d个值的预测结果'% y1.shape[0]], loc='upper right')
      plt.text(0.5, 0, '训练次数=%d' % epoch, fontdict={'size': 20, 'color': 'red'})
      plt.pause(0.2)
   #'''
'''
在交互模式下：
1、plt.plot(x)或plt.imshow(x)是直接出图像，不需要plt.show()
2、如果在脚本中使用ion()命令开启了交互模式，没有使用ioff()关闭的话，则图像会一闪而过，并不会常留。要想防止这种情况，需要在plt.show()之前加上ioff()命令。

在阻塞模式下：
1、打开一个窗口以后必须关掉才能打开下一个新的窗口。这种情况下，默认是不能像Matlab一样同时开很多窗口进行对比的。
2、plt.plot(x)或plt.imshow(x)是直接出图像，需要plt.show()后才能显示图像
'''
plt.ioff()
   #l1 = plt.plot(trainlosslist)
   #l2 = plt.plot(testlosslist)
   #plt.legend([l1,l2],['tranloss','testloss'],loc='best')
   #plt.xlabel('epochs')
plt.show()