pytorch框架学习——气温预测任务

该作用是参考唐宇迪的pytorch框架写的

首先是导入所需库和数据集

首先数据中提供了年月日和当天是星期几，以及前天，昨天和全年的平均的气温。actual就是当天的准确温度，这就是我们的预测，‘friend’指的是一个猜测的温度，这里偏差较大，我们可以忽略它。

简单查看一下当前数据集的维度，可以看见这是一个有348天，每天有9个特征的数据集。当然，数据集中给的年月日和星期的数据并不能直接使用，我们要将它们做一些处理，处理成一些数字化的特征,使用datetime对数据中的年月日进行处理

然后使用pandas中的get_dummies对数据中可能是字符串数据的数据进行重新编码

接着我们得知道对应的标签，还需要把数据中的标签从数据中删除，否则会对我们的输入产生影响

现在我们观察数据，可以发现如果将所有的特征组成向量，那么一些特征元素的值会比较大，一些则会比较小，例如average这个量都是四十多而month都是小于12的。这样的话数据集构成的集会比较偏扁圆，也就是说average这个量相对于小的month这个量对应模型的影响更大，这会导致模型训练不稳定，我们应该让每一个特征元素都能“平等”地对模型进行影响，所以我们需要对模型进行一定的标准化。

可以看到，做完标准化之后数据的浮动范围会更小。

接下来就是构建神经网络模型并对其进行训练了，第一步就是把之前numpy的数据格式转为torch中所需要的tensor格式

接着设置神经网络的权重

这里我们每个数据有14个特征，我们就设置第一层有14个接收量，然后会输出128个特征，第一个偏差就会是有128个特征的向量，第二层同理，最终输出一个气温值。当然，对于每一个参数都要计算梯度。

然后是学习率和损失值，迭代次数设置

神经网络的基本参数构建好了，接下来就是训练过程，首先我们通过第一层的权重，并加上偏差得到隐藏层的值，接着我们要使用激活函数对隐藏的值进行“激活”，激活后的值通过第二层权重并加上第二层的偏差便得到了预测值。通过预测值和真实值的比较得到损失函数，得出损失值。然后通过损失值和反向传播计算出之前的每个参数的梯度，然后运用梯度下降法对参数进行更新。

以上便完成了基本的神经网络模型的构建与训练，当然这种方式容易让结果收敛到局部最小，而且构建比较复杂，但是对于框架的理解可以更加清晰，以下还有一种简单的写法

注意，其中我们训练的x和y只取了部分值

作出图像，可以看到预测效果

蓝线是真实值，红点是预测值。