一个简单的预测

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

温度预测，实现过程

前言

主要了解训练过程

一、数据读取和预处理

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import datetime
from sklearn.preprocessing import StandardScaler

2.读入数据

代码如下（示例）：

features = pd.read_csv('E:/code/map_code/神经网络实战分类与回归任务/temps.csv')

'''
temp_2：前天的最高温度值
temp_1：昨天的最高温度值
average：在历史中，每年这一天的平均最高温度值
actual：标签值，当天的真实最高温度
'''
print(features.head())

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]

#数据展示
plt.style.use('fivethirtyeight')

#设置布局
fig, ((ax1, ax2),(ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (10,10))  # 创建2×2的子图网格
fig.autofmt_xdate(rotation = 45)   # 自动旋转x轴日期标签45度，避免重叠

# 标签值
ax1.plot(dates, features['actual']) #绘制日期与实际温度的关系曲线
ax1.set_xlabel('');ax1.set_ylabel('Temperture');ax1.set_title('Max Temp') #set_xlabel('') 移除了 x 轴标签（因为日期标签在底部子图中已有），set_ylabel() 和 set_title() 设置了 y 轴标签和子图标题
# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

#平均值
ax4.plot(dates, features['average'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Average')

plt.tight_layout(pad=2)
plt.show()

3.数据预处理

features = pd.get_dummies(features)  #将week属性修改为独热编码
print(features.head())

#制作标签
labels = np.array(features['actual'])
#在特征中剔除标签
features = features.drop('actual', axis = 1)
#名字单独保存
feature_list = list(features.columns)
#特征转换为np格式
features = np.array(features)
#数据归一化
scaler = StandardScaler()
features = scaler.fit_transform(features)  # 使每个特征的均值为0，方差为1
#创建归一化的变量x
x = torch.tensor(features,requires_grad=True)  #torch.Size([348, 14])
y = torch.tensor(labels).unsqueeze(1)          # shape: (348, 1)                       #torch.Size([348])
input_size = features.shape[1]                 # 14（从数据中获取输入特征数）

#初始化所有神经网络的权重和偏执值
hidden_size = 32  # 隐含层节点数
weights = torch.randn((input_size,hidden_size),dtype=torch.double, requires_grad=True)
biases = torch.randn(hidden_size,dtype=torch.double, requires_grad=True)
weights2 = torch.randn((hidden_size,1),dtype=torch.double,requires_grad=True)

#设置学习率
learning_rate = 0.01
losses = []

独热编码后的数据

4.训练过程

for i in range(10000):
    #从输入层到隐藏层的计算
    hidden = torch.matmul(x, weights) + biases
    #将sigmoid函数作用在隐藏层的每一个神经元上
    hidden = torch.sigmoid(hidden)
    #隐藏层到输出层，计算得到最终预测
    predictions = hidden.mm(weights2)
    #通过与标签数据y比较，计算均方误差
    loss = torch.mean((predictions - y) ** 2)
    losses.append(loss.data.numpy())

    #每隔1000个周期打印一次损失函数值
    if i % 10 == 0:
        print('loss:',loss)

    #对损失函数进行梯度反转
    loss.backward()

    #利用上一步计算得到的weights，biases等梯度信息更新weights或biases中的data数值
    weights.data.add_(-learning_rate * weights.grad.data)
    biases.data.add_(-learning_rate * biases.grad.data)
    weights2.data.add_(-learning_rate * weights2.grad.data)

    #清空所有变量的梯度值，pytorch中的backward一次梯度信息会自动累加到各个变量上，因此需要清空，否则下一次迭代会累加，造成很大的偏差
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()

总结

完整代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import datetime

features = pd.read_csv('E:/code/map_code/神经网络实战分类与回归任务/temps.csv')

'''
temp_2：前天的最高温度值
temp_1：昨天的最高温度值
average：在历史中，每年这一天的平均最高温度值
actual：标签值，当天的真实最高温度
'''
print(features.head())

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]

#数据展示
plt.style.use('fivethirtyeight')

#设置布局
fig, ((ax1, ax2),(ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (10,10))  # 创建2×2的子图网格
fig.autofmt_xdate(rotation = 45)   # 自动旋转x轴日期标签45度，避免重叠

# 标签值
ax1.plot(dates, features['actual']) #绘制日期与实际温度的关系曲线
ax1.set_xlabel('');ax1.set_ylabel('Temperture');ax1.set_title('Max Temp') #set_xlabel('') 移除了 x 轴标签（因为日期标签在底部子图中已有），set_ylabel() 和 set_title() 设置了 y 轴标签和子图标题
# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

#平均值
ax4.plot(dates, features['average'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Average')

plt.tight_layout(pad=2)
plt.show()

#独热编码
features = pd.get_dummies(features)  #将week属性修改为独热编码
print(features.head())

#制作标签
labels = np.array(features['actual'])
#在特征中剔除标签
features = features.drop('actual', axis = 1)
#名字单独保存
feature_list = list(features.columns)
#特征转换为np格式
features = np.array(features)

#创建归一化的变量x
x = torch.tensor(features,requires_grad=True)  #torch.Size([348, 14])
y = torch.tensor(labels).unsqueeze(1)          # shape: (348, 1)                       #torch.Size([348])
input_size = features.shape[1]                 # 14（从数据中获取输入特征数）

#初始化所有神经网络的权重和偏执值
hidden_size = 32  # 隐含层节点数
weights = torch.randn((input_size,hidden_size),dtype=torch.double, requires_grad=True)
biases = torch.randn(hidden_size,dtype=torch.double, requires_grad=True)
weights2 = torch.randn((hidden_size,1),dtype=torch.double,requires_grad=True)

#设置学习率
learning_rate = 0.01
losses = []

print('维度',x.size(),y.size())
# x = x.view(50,-1)
# y = y.view(50,-1)

for i in range(10000):
    #从输入层到隐藏层的计算
    hidden = torch.matmul(x, weights) + biases
    #将sigmoid函数作用在隐藏层的每一个神经元上
    hidden = torch.sigmoid(hidden)
    #隐藏层到输出层，计算得到最终预测
    predictions = hidden.mm(weights2)
    #通过与标签数据y比较，计算均方误差
    loss = torch.mean((predictions - y) ** 2)
    losses.append(loss.data.numpy())

    #每隔1000个周期打印一次损失函数值
    if i % 10 == 0:
        print('loss:',loss)

    #对损失函数进行梯度反转
    loss.backward()

    #利用上一步计算得到的weights，biases等梯度信息更新weights或biases中的data数值
    weights.data.add_(-learning_rate * weights.grad.data)
    biases.data.add_(-learning_rate * biases.grad.data)
    weights2.data.add_(-learning_rate * weights2.grad.data)

    #清空所有变量的梯度值，pytorch中的backward一次梯度信息会自动累加到各个变量上，因此需要清空，否则下一次迭代会累加，造成很大的偏差
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()