import torch
import torch.nn as nn
from torch.optim import SGD
import torch.utils.data as Data
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取数据
boston_X, boston_y = load_boston(return_X_y=True)
print("OK?", "boston_X.shape", boston_X.shape)
# plt.figure()
# plt.hist(boston_y, bins=20) # 绘制boston_y这个变量,总共绘制20条条状图
# plt.show()
# 数据标准化处理
ss = StandardScaler(with_mean=True, with_std=True) # 创建标准化数据加载器
boston_Xs = ss.fit_transform(boston_X) # 转化数据为可用pytorch进行批量训练的形式
# 训练集X,y转化为张量
train_xt = torch.from_numpy(boston_Xs.astype(np.float32))
train_yt = torch.from_numpy(boston_y.astype(np.float32))
# 训练集转化为张量后,将x,y整合到一起---将特征与标签对应起来
train_data = Data.TensorDataset(train_xt, train_yt)
# 定义一个数据加载器,将训练数据批量整理
train_loader = Data.DataLoader(
dataset=train_data, # 使用的数据集
batch_size=128, # 批处理样本大小
shuffle=True, # 每次迭代前打乱数据
#num_workers=1, # 使用两个进程
)
# 定义全连接网络模型
class MLPmodel(nn.Module):
def __init__(self):
super(MLPmodel, self).__init__()
# 定义第一个隐藏层
self.hidden1 = nn.Linear(
in_features=13, # 第一个隐藏层的输入
out_features=10, # 第一个隐藏层的输出
bias=True, # 默认会有偏置
)
self.active1 = nn.ReLU() # 指定激活函数
# 定义第二个隐藏层
self.hidden2 = nn.Linear(10, 10)
self.active2 = nn.ReLU() # 指定激活函数
# 定义预测回归层
self.regression = nn.Linear(10, 1)
# 定义网络的前向传播路径
def forward(self, x):
x = self.hidden1(x)
x = self.active1(x)
x = self.hidden2(x)
x = self.active2(x)
output = self.regression(x)
# 输出为output
return output
if __name__ == "__main__":
mlp1 = MLPmodel() # 实例化一个全连接神经网络,输出网络
print(mlp1)
# 对回归模型mlp1进行训练并输出损失函数的变化情况,定义优化器和损失函数
optimizer = SGD(mlp1.parameters(), lr=0.001)
loss_func = nn.MSELoss() # 最小均方根误差-----定义损失函数
train_loss_all = [] # 输出每个批次训练的损失函数
# 进行训练,并输出每次迭代的损失函数--------30次迭代,每次迭代分成4个batch进行,所以共有120次
for epoch in range(30):
print("epoch times", epoch)
# 对训练数据的加载器进行迭代计算
for step, (b_x, b_y) in enumerate(train_loader): # 从train_loader提取步数,特征值和标签
# 理解 train_loader的作用就是把所有数据分成几个批次,对每个批次进行训练(最后一个批次可能和之前的数据量不同)
output = mlp1(b_x).flatten() # MLP在训练batch上的输出
train_loss = loss_func(output, b_y) # 计算误差
optimizer.zero_grad() # 每个迭代步的梯度初始化为0
train_loss.backward() # 损失向后计算梯度
optimizer.step() # 使用梯度进行优化
train_loss_all.append(train_loss.item()) # 保存损失
print("step", step)
print("b_x.shape", b_x.shape)
print("b_y.shape", b_y.shape)
plt.figure()
plt.plot(train_loss_all, "r-") # 绘制损失函数
plt.title("Train loss per iterion")
plt.show()