使用神经网络对综合数据进行辅助决策

数据收集

1 无论是什么数据，一般来说都是从数据库里提取出来
首先要对数据进行清洗，综合

2 将数据制作成集合
可以使用csv等文件存储数据集合

数据模拟和输入

为了通用性，我们使用模拟数据

time = torch.arange(1, T + 1, dtype=torch.float32)

返回大小为从1 到T+1 ，step为1 的1维张量数据 ，这是我们自己产生的数据，真实数据可以从数据库来
我们使用正弦函数和正太分布来描述张量数据，因为数据库的数据不太可能是间隔是1的数据。

x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
d2l.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))

接下来就是模拟真正的数据集合和制作标签数据集合，使用pytorch来装载数据集合data.TensorDataset，TensorDataset函数 可以用来对 tensor张量进行打包，包装成dataset数据集，接下来就是重点：创建并且使用多层感知机来训练网络。

show me the code

整个代码如下清单

import torch
from torch import nn
from wrapper import torch as wrapper
import cv2
from torch.utils import data

#features = torch.zeros((1000 - 4, 5))
#print(features.shape)

def load_array(data_arrays, batch_size, is_train=True):
    """Construct a PyTorch data iterator.
    Defined in :numref:`sec_linear_concise`"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

T = 1000  # 总共产生1000个点
time = torch.arange(1, T + 1, dtype=torch.float32)
x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
wrapper.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))

#cv2.waitKey(0)
tau = 4
features = torch.zeros((T - tau, tau))
print(features)

for i in range(tau):
    features[:, i] = x[i: T - tau + i]
print(features)

labels = x[tau:].reshape((-1, 1))

batch_size, n_train = 16, 600
# 只有前n_train个样本用于训练
train_iter = load_array((features[:n_train], labels[:n_train]),
                            batch_size, is_train=True)


def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.xavier_uniform_(m.weight)

# 一个简单的多层感知机
def get_net():
    net = nn.Sequential(nn.Linear(4, 10),
                        nn.ReLU(),
                        nn.Linear(10, 1))
    net.apply(init_weights)
    return net

# 平方损失。注意：MSELoss计算平方误差时不带系数1/2
loss = nn.MSELoss(reduction='none')                            
def train(net, train_iter, loss, epochs, lr):
    trainer = torch.optim.Adam(net.parameters(), lr)
    for epoch in range(epochs):
        for X, y in train_iter:
            trainer.zero_grad()
            l = loss(net(X), y)
            l.sum().backward()
            trainer.step()
        print(f'epoch {epoch + 1}, '
              f'loss: {wrapper.evaluate_loss(net, train_iter, loss):f}')

net = get_net()
train(net, train_iter, loss, 5, 0.01)

存成模型

PATH = './bigdata.pth'
torch.save(net.state_dict(), PATH)

这样存成模型，以后可以直接使用