1. 序列模型
T 个时间
机器学习模型对
P
x
P_x
Px建模
联合概率用条件概率展开
反过来先算-反序:已知X_T推前面发生的【RNN可以正可以反】
自回归:给一些数据,用数据前面的部分数据做预测,对见过的数据建模
核心:1. 怎么算前面数据的f 2. 怎么算P
固定
τ
τ
τ, 不设置很大。对
τ
τ
τ个数据训练做建模
f
f
f会比较容易,一个MLP就行。
假设X是一个标量,对f每次给
τ
τ
τ个特征,预测一个标量。线性回归orMLP都可以建模。
潜变量: 可以认为是隐变量的一个稍微推广类型,统计上稍有区别。
不写成函数的形式,写成变量的形式。
两个模型:
- 给定前一个潜变量+x,怎么更新新的潜变量
- 给定潜变量+x, 怎么更新新的x
核心:选择什么样的模型建模 模型至于一两个变量相关,计算简单。
2. 代码
%matplotlib inline
import torch
from torch import nn
from d2l import torch as d2l
T = 1000 # 总共产生1000个点
time = torch.arange(1, T + 1, dtype=torch.float32)
x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
d2l.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))
tau = 4
features = torch.zeros((T - tau, tau))
for i in range(tau):
features[:, i] = x[i: T - tau + i]
labels = x[tau:].reshape((-1, 1))
batch_size, n_train = 16, 600
# 只有前n_train个样本用于训练
# load_array 把张量设置成数据集的模式
train_iter = d2l.load_array((features[:n_train], labels[:n_train]),batch_size, is_train=True)
# 初始化网络权重的函数
def init_weights(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
# 一个简单的多层感知机
def get_net():
net = nn.Sequential(nn.Linear(4, 10),nn.ReLU(),nn.Linear(10, 1))
net.apply(init_weights)
return net
# 平方损失。注意:MSELoss计算平方误差时不带系数1/2
loss = nn.MSELoss(reduction='none')
def train(net, train_iter, loss, epochs, lr):
trainer = torch.optim.Adam(net.parameters(), lr)
for epoch in range(epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.sum().backward()
trainer.step()
print(f'epoch {epoch + 1}, '
f'loss: {d2l.evaluate_loss(net, train_iter, loss):f}')
net = get_net()
train(net, train_iter, loss, 5, 0.01)
onestep_preds = net(features)
d2l.plot([time, time[tau:]],
[x.detach().numpy(), onestep_preds.detach().numpy()], 'time',
'x', legend=['data', '1-step preds'], xlim=[1, 1000],
figsize=(6, 3))
# T=1000
multistep_preds = torch.zeros(T)
multistep_preds[: n_train + tau] = x[: n_train + tau]
for i in range(n_train + tau, T):
multistep_preds[i] = net(
multistep_preds[i - tau:i].reshape((1, -1)))
d2l.plot([time, time[tau:], time[n_train + tau:]],
[x.detach().numpy(), onestep_preds.detach().numpy(),
multistep_preds[n_train + tau:].detach().numpy()], 'time',
'x', legend=['data', '1-step preds', 'multistep preds'],
xlim=[1, 1000], figsize=(6, 3))
max_steps = 64
features = torch.zeros((T - tau - max_steps + 1, tau + max_steps))
# 列i(i<tau)是来自x的观测,其时间步从(i)到(i+T-tau-max_steps+1)
for i in range(tau):
features[:, i] = x[i: i + T - tau - max_steps + 1]
# 列i(i>=tau)是来自(i-tau+1)步的预测,其时间步从(i)到(i+T-tau-max_steps+1)
for i in range(tau, tau + max_steps):
features[:, i] = net(features[:, i - tau:i]).reshape(-1)
steps = (1, 4, 16, 64)
d2l.plot([time[tau + i - 1: T - max_steps + i] for i in steps],
[features[:, (tau + i - 1)].detach().numpy() for i in steps], 'time', 'x',
legend=[f'{i}-step preds' for i in steps], xlim=[5, 1000],
figsize=(6, 3))
给定过去的数据,预测未来。
给定马尔科夫假设,怎么用MLP预测序列模型。
回归:MSE损失函数
关键: 数据是怎么构造来的
蓝色:训练数据
桃红色:每次给4个真实数据点预测数据
epoch 1, loss: 0.106651
epoch 2, loss: 0.061725
epoch 3, loss: 0.061892
epoch 4, loss: 0.059226
epoch 5, loss: 0.058244
难点:从 600开始,只给前4个真实数据点预测接下来四个数据,后续数据不再给真实数据,用预测的数据继续预测。
核心思想:绿色曲线 600后开始数据做预测 绿色是预测值
预测有误差,不断累积。短期预测还可以。
蓝色:每次给4个真实数据点预测下一个数据
桃红色:只给4个真实数据点预测接下来的数据,后续数据不再给真实数据
绿色: 给4个点,预测未来16个数据点
红色:给4个点,预测未来64个数据点
难点:预测较远未来的事情
3. QA
潜变量:关心建模的时候怎么建模。