PyTorch实战气温预测


注意:仅记录学习过程,如有侵权联系删除

任务

本次任务是进行气温预测,数据集链接https://www.kaggle.com/datasets/ns0720/tempscsv,数据集下载有困难的评论区留言,作为全面学习PyTorch实战的第一章,我们会使用比较原始的方法写整个训练过程,除了反向传播由PyTorch代码调用自行计算。

数据集介绍

数据集是csv文件,他饱含9列,按顺序分别是year,month,day,week,temp_1,temp_2,average,actual,friend。我们的训练数据集为除了actual的所有列,训练数据集的标签为actual。数据的预处理我们展示在代码中。
在这里插入图片描述

项目目录

项目目录
注意代码执行环境要在PredictionTemps目录下,否则会报temps.csv文件找不到。

训练代码

from ast import increment_lineno
from audioop import bias
from calendar import month
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import warnings
warnings.filterwarnings("ignore")
# %matplotlib inline

#数据读取
features = pd.read_csv('temps.csv')

#查看数据
print(features.head())
print("数据维度", features.shape)

#处理数据,转换时间类型
import datetime

#年,月,日
years = features['year']
months = features['month']
days = features['day']

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 查看数据格式
print(dates[:5])

# week列为字符串不是数值,利用独热编码,将数据中非字符串转换为数值,并拼接到数据中
features = pd.get_dummies(features)
# 看独热编码的效果
print(features.head(5))

# 标签
labels = np.array(features['actual'])

# 去掉标签用作特征
features = features.drop('actual', axis=1)

# 保存列名用于展示
features_list = list(features.columns)

# 转换为合适的格式
features = np.array(features)
print(features.shape)

# 数据标准化
from sklearn import preprocessing
input_features = preprocessing.StandardScaler().fit_transform(features)

# 看一下数字标准化的效果
print(input_features[0])

接下来构建神经网络模型,首先使用原始的方法

# 将输入和预测转为tensor
x = torch.tensor(input_features, dtype=float)
y = torch.tensor(labels,dtype=float)

# 权重参数初始化
weights = torch.randn((14, 128), dtype= float, requires_grad= True)
biases = torch.randn(128, dtype=float, requires_grad= True)
weights2 = torch.randn((128, 1), dtype=float, requires_grad= True)
biases2 = torch.randn(1, dtype=float, requires_grad=True)

learning_rate = 0.001
losses = []

for i in range(1000):
    # 前向传播
    # 计算隐藏层
    hidden = x.mm(weights) + biases
    # 加入激活函数
    hidden = torch.relu(hidden)
    # 预测结果
    predictions = hidden.mm(weights2) + biases2
    # 计算损失
    loss = torch.mean((predictions - y)**2)
    losses.append(loss.data.numpy())

    # 打印损失
    if i % 100 == 0:
        print('loss:', loss)
    # 反向传播
    loss.backward()
    # 更新参数
    weights.data.add_(- learning_rate * weights.grad.data)
    biases.data.add_(- learning_rate * biases.grad.data)
    weights2.data.add_(- learning_rate * weights2.grad.data)
    biases2.data.add_(- learning_rate * biases2.grad.data)

    # 梯度清零
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()

训练结果

loss: tensor(3511.3141, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(154.7521, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(146.5845, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(144.1342, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(142.9047, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(142.1384, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(141.5937, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(141.1904, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(140.8811, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(140.6381, dtype=torch.float64, grad_fn=<MeanBackward0>)

loss稳步下降

或者我们使用简化的方法

input_size = input_features.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16
my_nn = torch.nn.Sequential(
    torch.nn.Linear(input_size, hidden_size),
    torch.nn.Sigmoid(),
    torch.nn.Linear(hidden_size, output_size),
)

# 指定损失函数
cost = torch.nn.MSELoss(reduction='mean')

# 指定优化器
optimizer = torch.optim.Adam(my_nn.parameters(), lr=0.001)

# 训练网络
losses = []
for i in range(1000):
    batch_loss = []
    for start in range(0, len(input_features), batch_size):
        end = start + batch_size if start + batch_size < len(input_features) else len(input_features)
        xx = torch.tensor(input_features[start:end], dtype=torch.float, requires_grad=True)
        yy = torch.tensor(labels[start:end], dtype=torch.float, requires_grad=True)
        prediction = my_nn(xx)
        loss = cost(prediction, yy)
        optimizer.zero_grad()
        loss.backward(retain_graph=True)
        optimizer.step()
        batch_loss.append(loss.data.numpy())

    if i % 100 == 0:
        losses.append(np.mean(batch_loss))
        print(i, np.mean(batch_loss))

最终我们进行预测,并以图片的形式展示

# 预测结果
x = torch.tensor(input_features, dtype=torch.float)
predict = my_nn(x).data.numpy() # 转化为numpy格式,tensor格式画不了图

# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 创建一个表格来保存日期和其对应的标签数值
true_data = pd.DataFrame(data={'date': dates, 'actual': labels})

# 再创建一个来存日期和其对应的模型预测值
months = features[:, features_list.index('month')]
days = features[:, features_list.index('day')]
years = features[:, features_list.index('year')]

test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
test_dates = dates

predictions_data = pd.DataFrame(data={'date': test_dates, 'prediction': predict.reshape(-1)})

# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')

# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label='prediction')
plt.xticks(rotation='vertical');
plt.legend()

# 图名
plt.xlabel('Date')
plt.ylabel('Maximum Temperature (F)')
plt.title('Actual and Predicted Values')
plt.show()

结果展示:
在这里插入图片描述

说明:代码执行中所需要的包请自行pip install xx下载

  • 4
    点赞
  • 58
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
PyTorch中进行气温预测的分类任务可以按照以下步骤进行: 1. 导入所需的库和模块,包括torch和torchvision。确保你已经安装了正确的版本。\[1\] 2. 准备数据集,包括气温数据和对应的标签。可以使用torchvision中的数据集,或者自己准备数据集。 3. 定义模型结构,可以使用PyTorch提供的各种预训练模型,或者自己设计模型。 4. 定义损失函数,根据任务选择适当的损失函数,比如交叉熵损失函数。 5. 定义优化器,选择适当的优化算法,比如随机梯度下降(SGD)或Adam。 6. 进行模型训练,使用训练数据集进行模型的训练,通过反向传播算法更新模型参数。 7. 进行模型评估,使用测试数据集评估模型的性能,可以计算准确率、精确率、召回率等指标。 8. 可选地,保存模型,使用torch.save()函数保存训练好的模型参数,以便后续使用。\[2\] 总结起来,使用PyTorch进行气温预测的分类任务,需要导入库和模块、准备数据集、定义模型结构、定义损失函数和优化器、进行模型训练和评估,最后可选地保存模型。\[1\]\[2\] #### 引用[.reference_title] - *1* *2* *3* [【PyTorch框架】——框架安装&使用流程&搭建PyTorch神经网络气温预测](https://blog.csdn.net/weixin_51658186/article/details/130455894)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

一步一个脚印ッ

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
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