首先,我们需要导入必要的库,包括PyTorch、NumPy、Pandas和Matplotlib:
import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
接下来,我们可以定义一些超参数,例如学习率、批次大小和训练轮数:
learning_rate = 0.01
batch_size = 64
num_epochs = 100
然后,我们可以加载我们的数据集。这里使用的是一个包含风速时间序列数据的CSV文件。我们可以使用Pandas库来读取数据:
data = pd.read_csv('wind_speed.csv')
# 将数据转换为NumPy数组
data_np = data.to_numpy()
# 将数据集分为训练集和验证集
train_size = int(len(data_np) * 0.8)
train_data = data_np[:train_size]
test_data = data_np[train_size:]
接下来,我们需要将数据转换为张量,并将其划分成批次:
# 将数据转换为张量
train_tensor = torch.from_numpy(train_data).float()
test_tensor = torch.from_numpy(test_data).float()
# 将训练数据分成批次
train_loader = torch.utils.data.DataLoader(train_tensor, batch_size=batch_size, shuffle=True)