Pytorch中使用nn.Linear()做房价预测

一、函数讲解

"""
nn.Linear(in_features, out_features)
in_features：指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。
out_features：指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。

Examples::
    m = nn.Linear(20, 30)
    input = torch.randn(128, 20)
    output = m(input)
    print(output.size())
结果:
torch.Size([128, 30])
"""

二、房价预测

import torch
import numpy as np
import re

# 数据处理
ff = open('data/housing.data').readlines()
data = []
for item in ff:
    out = re.sub('\s{2,}', ' ', item).strip()
    data.append(out.split(' '))

data = np.array(data).astype(np.float)
Y = data[:, -1]
X = data[:, 0:-1]
print(X.shape)  # (506, 13)
print(Y.shape)  # (506,)

# 训练数据
X_train = X[:496]
Y_train = Y[:496]
# 测试数据
X_test = X[496:]
Y_test = Y[496:]



# 定义网络结构
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_output):
        super(Net, self).__init__()
        self.predict = torch.nn.Linear(in_features=n_feature, out_features=n_output)

    def forward(self, x):
        """
        前向运算
        :param x:
        :return:
        """
        out = self.predict(x)
        return out


net = Net(13, 1)

# 构建损失，这里使用均方误差
loss_func = torch.nn.MSELoss()
# 优化器，学习率为0.0001
op = torch.optim.Adam(net.parameters(), lr=0.0001)
# 训练
for i in range(1000):
    x_data = torch.tensor(X_train, dtype=torch.float32)
    y_data = torch.tensor(Y_train, dtype=torch.float32)
    # 进行前向传播，得出预测结果
    pred = net.forward(x_data)
    pred = torch.squeeze(pred)  # 二维变一维
    loss = loss_func(pred, y_data) * 0.01

    # 初始化参数设置为0
    op.zero_grad()
    # 反向传播
    loss.backward()
    # 更新迭代次数
    op.step()

    print(i, loss)
    print(pred[:10])
    print(y_data[:10])

    # test
    x_data = torch.tensor(X_test, dtype=torch.float32)
    y_data = torch.tensor(Y_test, dtype=torch.float32)

    pred = net.forward(x_data)
    pred = torch.squeeze(pred)  # 二维变一维
    loss_test = loss_func(pred, y_data) * 0.01

    print(i, loss)
    print(pred[:10])
    print(y_data[:10])


# 保存模型
# 这种事整体保存
torch.save(net, 'model/regresion.pkl')
# 加载模型
torch.load('model/regresion.pkl')
# 这种是保留参数
torch.save(net.state_dict(), 'model/regresion_param.pkl')
# 加载模型
net.load_state_dict(torch.load('model/regresion_param.pkl'))