大数据下使用神经网络进行年龄或性别预测（Pytorch实现）

引言

如今各类应用的推荐系统做的越来越完善，推荐主要基于用户信息的准确分析，其中性别和年龄预测通常占据重要的地位，那么如何从用户行为中准确分析出性别和年龄？传统的机器学习算法例如逻辑回归，需要人工建构特征进行输入训练，而基于神经网络的模型可以自动提取特征，对于有着大量训练数据的任务来说是一个很不错的选择。

Pytorch深度学习框架

使用Pytorch构建深度模型，基本按照以下流程展开：

1. 模型输入（通常是与模型输出结果相关的特征数据）
2. 模型（Pytorch中只需要构建前向传播过程）
3. 定义损失和选择合适的优化器
4. 训练模型，通过梯度回传不断更新模型参数

数据

由于数据的私有性，不可以公开，因此我们假设数据原型如下（假设与年龄和性别密切相关的字段数据，有昵称、偏好、其它）：

昵称	偏好	其它
可爱的小花	收集的足迹信息	补充信息(e.g. 小红书打开频率更高)
王大拿	收集的足迹信息	补充信息
冷血无情	收集的足迹信息	补充信息

以上数据为应用内收集信息，需要对数据进行向量化处理，才可以作为神经网络的输入。通常有这样两种转换方式：
① 原始数据本身为数字类型数据，那么可以将其进行归一化后直接作为特征进行输入；
② 文字类数据需要做相应的转换，可以使用one-hot码或者使用word2vec转换为特征向量（个人建议，如果该做法不正确，请指出~）；

数据输入网络模型通常会使用自定义的Dataloader类，通过继承Dataset类重写__init__、__getitem__以及__len__方法。

class AgePredictData(Dataset):
    def __init__(self, csv_path=None, train=True):
        # 通常初始化数据源
        self.data = pd.read_csv(csv_path, header=None)
        self.train_data = self.data.iloc[0:820000, :]  # 切分训练集 82W向量
        self.test_data = self.data.iloc[820000: 1000000, :]
        self.info = self.data.describe().shape
        self.train = train

    def test(self):
        return self.train_data if self.train else self.test_data

    def transform(self, train, index):
    	# 将数据转换为Tensor格式（以下代码是任务相关的，具体任务需要具体修改）
        if train:
            # Series to np array
            data = pd.Series.to_numpy