文章目录
- 我忍不住吐槽一下这个包,第一行代码就报错,没有datasets是闹哪样
- 加载库
- 训练样本长度
- 测试样本长度
- 有多少训练/测试样本
- 批量大小(同时处理多少个样本?)
- 超参数
- 预测/目标长度
- 使用 CUDA?
- 人工种子初始化
- NARMA30 数据集
- 数据加载器
- 内部矩阵W生成
- 输入权重Win生成
- Bias vector偏差向量生成
- 创建一个Leaky-integrated ESN,用最小二乘训练算法,调用 esn = etrs.ESN(
- 如果可能,在GPU中传输
- 对每一批
- 计算输出矩阵Wout来结束训练
- 得到训练集中的第一个样本,转为Variable.
- 用我们训练过的ESN做预测
- 打印训练误差 MSE和 NRMSE
- 得到测试集中的第一个样本转为Variable.
- 用我们训练过的ESN做预测
- 打印测试集上的 MSE 和NRMSE
- 展示目标和预测
我忍不住吐槽一下这个包,第一行代码就报错,没有datasets是闹哪样
加载库
import torch
from echotorch.datasets.NARMADataset import NARMADataset
import echotorch.nn.reservoir as etrs
import echotorch.utils
import echotorch.utils.matrix_generation as mg
from torch.autograd import Variable
from torch.utils.data.dataloader import DataLoader
import numpy as np
import matplotlib.pyplot as plt
训练样本长度
train_sample_length = 5000
测试样本长度
test_sample_length = 1000
有多少训练/测试样本
n_train_samples = 1
n_test_samples = 1
批量大小(同时处理多少个样本?)
batch_size = 1
超参数
spectral_radius = 1.07
leaky_rate = 0.9261
input_dim = 1
reservoir_size = 410
connectivity = 0.1954
ridge_param = 0.00000409
input_scaling = 0.9252
bias_scaling = 0.079079
预测/目标长度
plot_length = 200
使用 CUDA?
use_cuda = False
use_cuda = torch.cuda.is_available() if use_cuda else False
人工种子初始化
np.random.seed(1)
torch.manual_seed(1)
NARMA30 数据集
narma10_train_dataset = NARMADataset(train_sample_length,
n_train_samples, system_order=10)
narma10_test_dataset = NARMADataset(test_sample_length,
n_test_samples, system_order=10)
数据加载器
trainloader = DataLoader(narma10_train_dataset,
batch_size=batch_size, shuffle=False, num_workers=2)
testloader = DataLoader(narma10_test_dataset,
batch_size=batch_size, shuffle=False, num_workers=2)
内部矩阵W生成
w_generator = echotorch.utils.matrix_generation.NormalMatrixGenerator(
connectivity=connectivity,
spetral_radius=spectral_radius
)
输入权重Win生成
win_generator = echotorch.utils.matrix_generation.NormalMatrixGenerator(
connectivity=connectivity,
scale=input_scaling,
apply_spectral_radius=False
)
Bias vector偏差向量生成
wbias_generator = echotorch.utils.matrix_generation.NormalMatrixGenerator(
connectivity=connectivity,
scale=bias_scaling,
apply_spectral_radius=False
)
创建一个Leaky-integrated ESN,用最小二乘训练算法,调用 esn = etrs.ESN(
esn = etrs.LiESN(
input_dim=input_dim,
hidden_dim=reservoir_size,
output_dim=1,
leaky_rate=leaky_rate,
learning_algo=‘inv’,
w_generator=w_generator,
win_generator=win_generator,
wbias_generator=wbias_generator,
ridge_param=ridge_param
)
如果可能,在GPU中传输
if use_cuda:
esn.cuda()
#end if
对每一批
for data in trainloader:
#输入和输出
inputs, targets = data
#将数据转换为变量Variables
inputs, targets = Variable(inputs), Variable(targets)
if use_cuda: inputs, targets = inputs.cuda(), targets.cuda()
# ESN需要的inputs and targets
esn(inputs, targets)
# end for
计算输出矩阵Wout来结束训练
esn.finalize()
得到训练集中的第一个样本,转为Variable.
dataiter = iter(trainloader)
train_u, train_y = dataiter.next()
train_u, train_y = Variable(train_u), Variable(train_y)
if use_cuda: train_u, train_y = train_u.cuda(), train_y.cuda()
用我们训练过的ESN做预测
y_predicted = esn(train_u)
打印训练误差 MSE和 NRMSE
print(u"Train MSE: {}".format(echotorch.utils.mse(y_predicted.data, train_y.data)))
print(u"Test NRMSE: {}".format(echotorch.utils.nrmse(y_predicted.data, train_y.data)))
print(u"")
得到测试集中的第一个样本转为Variable.
dataiter = iter(testloader)
test_u, test_y = dataiter.next()
test_u, test_y = Variable(test_u), Variable(test_y)
if use_cuda: test_u, test_y = test_u.cuda(), test_y.cuda()
用我们训练过的ESN做预测
y_predicted = esn(test_u)
打印测试集上的 MSE 和NRMSE
print(u"Test MSE: {}".format(echotorch.utils.mse(y_predicted.data, test_y.data)))
print(u"Test NRMSE: {}".format(echotorch.utils.nrmse(y_predicted.data, test_y.data)))
print(u"")
展示目标和预测
plt.plot(test_y[0, :plot_length, 0].data, ‘r’)
plt.plot(y_predicted[0, :plot_length, 0].data, ‘b’)
plt.show()