python 神经网络回归

神经网络回归数据，21条，每条12个月，根据输入预测下一年

数据集：

 下载链接

62090	62090	62090	62090	62090	62090	62090	62090	62090	62090	62090	62090
66093	63659	69622	62891	69490	69597	65606	65344	55211	62282	67359	57783
72788	68697	62952	67091	67943	70075	67933	70965	62850	70174	72811	74493
67273	76579	78264	73526	72034	67949	78894	72042	65274	79469	68099	74126
51317	46689	48639	51682	52741	55259	53479	48666	47879	46609	51547	50521
52337	56066	57938	60706	61810	63742	51299	63081	59382	60219	61823	50900
59408	66993	61004	56581	56670	60253	68198	65203	61700	64165	61507	69164
74321	68118	64938	71610	60436	60082	74173	64666	66424	71497	70574	60508
66457	76313	68597	68615	72981	74393	65291	68495	75722	78722	69996	74831
52525	58394	53186	59850	46975	46835	54428	50978	57341	53208	47321	59108
55963	59073	50401	62306	52325	62508	61886	61584	57269	58566	61981	64523
61268	67289	63468	63357	57389	55178	68536	59603	56271	58432	69249	59425
69886	70660	73257	67605	71318	68852	74833	63967	68653	67916	66860	71044
65061	73047	79600	65484	74952	73317	67172	68465	79874	66215	66792	74635
51151	48783	48885	46079	47485	46739	52536	45194	46242	45146	47520	56532
60845	57864	54015	56134	58675	54317	52180	57528	62286	52630	54946	56142
69868	59717	67005	61811	66963	63463	63142	60359	65805	68101	59529	58101
72836	65984	66036	60599	72472	62919	60081	67038	67628	63526	64031	62049
78491	71810	66910	72897	73976	71189	77007	74360	74407	79505	78351	74007
47608	51441	55104	55350	48313	56398	52827	52068	46131	52561	49673	55460
65241	58813	66050	63952	61595	60050	66486	66985	64233	70069	62863	72383

代码：

import pandas as pd
import torch
import torch.nn as nn  # 神经网络基本工具箱
import torch.nn.functional as fun
import numpy as np
import torch.utils.data as Data
import matplotlib.pyplot as plt  # 绘图模块，能绘制 2D 图表


# 定义神经网络==========================================================
class ConvNet(nn.Module):  # 类 ConvNet 继承自 nn.Module
    def __init__(self):  # 构造方法
        # 下式等价于nn.Module.__init__.(self)
        super(ConvNet, self).__init__()  # 调用父类构造方法
        # 全连接层=========================================================
        self.fc1 = nn.Linear(12, 24)
        self.fc2 = nn.Linear(24, 64)
        self.fc3 = nn.Linear(64, 24)
        self.fc4 = nn.Linear(24, 12)

    def forward(self, x):
        x = torch.tanh(self.fc1(x))
        x = torch.tanh(self.fc2(x))
        x = torch.tanh(self.fc3(x))
        x = self.fc4(x)
        return x


# 读取数据
def read_data(file):
    # 读取xlsx文件，并存入data，不带标签
    data = pd.read_excel(file, header=None).values
    ma = np.amax(data)
    mi = np.amin(data)
    data = (data-mi)/(ma-mi)
    data = torch.Tensor(data)  # 转张量
    # .reshape((-1, 1)) -》转置
    data = Data.TensorDataset(data[0:-2], data[1:-1])
    return data,ma,mi


# ==========================================================================================================
file = 'carbon.xlsx'  # 数据文件
data,ma,mi = read_data(file)  # 读取数据集
batch_size = 3
train_set = torch.utils.data.DataLoader(data, batch_size=batch_size, shuffle=True)  # 训练集
device = torch.device('cpu')
model = ConvNet()  # 初始化模型
learning_rate = 0.0001  # 学习率
criterion = nn.MSELoss()  # 平方损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
# optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 优化器：随机梯度下降算法
loop = 1000  # 循环次数
print("学习率为", learning_rate, "\n训练次数为:", loop)
# 开始训练=========================================
i = 0  # 绘图用
print("开始训练===================================================")
process = []  # 误差
for epoch in range(loop):  # 训练 loop 次
    running_loss = 0.0  # 训练误差，误差归零
    # 下面这个作用是每轮打乱一次，没什么大用处，不想要可以删去
    train_set = torch.utils.data.DataLoader(data, batch_size=batch_size, shuffle=True)  # 训练集
    # enumerate() 函数：用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标。
    for i, (images, labels) in enumerate(train_set, 0):
        outputs = model(images)  # 正向传播
        loss = criterion(outputs, labels)  # 计算batch（3个一打包）误差
        optimizer.zero_grad()  # 梯度清零
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
        running_loss += loss.item()  # 误差和
    if(epoch%100 == 99):
        print("第%2d/%2d 轮循环，误差为：%.4f" % (epoch + 1, loop, running_loss))
        process.append(running_loss)
        running_loss = 0.0  # 误差归零
# 绘制训练过程
i = i + 1
train_set = torch.utils.data.DataLoader(data, batch_size=1, shuffle=True)  # 训练集
for i, (images, labels) in enumerate(train_set, 0):
    plt.figure(i)
    outputs = model(images)  # 正向传播
    labels = (labels+mi)*(ma-mi)
    outputs = (outputs + mi) * (ma - mi)
    plt.plot(labels[0].detach().numpy(),'g:',label = 'real')
    plt.plot(outputs[0].detach().numpy(),'b:',label = 'forecast')
    plt.legend(loc='lower right')  # 显示上面的label
    plt.xlabel('time')  # x_label
i += 1
plt.figure(i)
plt.plot(list(range(len(process))), process, 'g:', label='loss')
plt.legend(loc='lower right')  # 显示上面的label
plt.xlabel('time')  # x_label
plt.ylabel('loss')  # y_label
plt.title('loss about time')  # 标题
plt.show()  # 显示=========

结果：

学习率为 0.0001 
训练次数为: 1000
开始训练===================================================
第100/1000 轮循环，误差为：0.1967
第200/1000 轮循环，误差为：0.1527
第300/1000 轮循环，误差为：0.0994
第400/1000 轮循环，误差为：0.0592
第500/1000 轮循环，误差为：0.0407
第600/1000 轮循环，误差为：0.0305
第700/1000 轮循环，误差为：0.0207
第800/1000 轮循环，误差为：0.0196
第900/1000 轮循环，误差为：0.0109
第1000/1000 轮循环，误差为：0.0065

 

 

 剩下的大差不差，就不放出来了。