【动手学习pytorch笔记】19.序列模型

序列模型

%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))

构造我们的数据集：sin函数加上一些噪声，共产生1000个点

接下来我们根据马尔可夫假设，通过输出前tau大小的窗口内的元素去预测输出

这里窗口大小 tau = 4

我们的输入是 996 * 4 的矩阵，996个样本，每个样本四个特征

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

train_iter = d2l.load_array((features[:n_train], labels[:n_train]),
                            batch_size, is_train=True)

features[:, i] = x[i: T - tau + i]

构建特征矩阵的方式也很巧妙，x是一个长度为1000的向量，features矩阵是按列填满的，

第一列取1_{996，第二列2}997，第三列3_{998，第四列4}999。这样按每一行来看：第一行就是x[1,2,3,4]，第二行x[2,3,4,5]…

标签则是x的4~999共996个

接下来就是简单的回归问题，根据特征预测标注

# 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')

构建模型，已经很熟悉了

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)

训练过程也很熟悉

epoch 1, loss: 0.123448
epoch 2, loss: 0.077527
epoch 3, loss: 0.061902
epoch 4, loss: 0.055533
epoch 5, loss: 0.054246

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))

可以看到回归的效果还挺好的，上述过程叫1-step preds：给4个预测下一个标签

# 604之前是我们从x读到的
multistep_preds = torch.zeros(T)
multistep_preds[: n_train + tau] = x[: n_train + tau]
# 604~1000是用我们自己的预测
for i in range(n_train + tau, T):
    # 有点像递归
    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))

但是当我们要预测很远之后的序列即多步预测，需要使用刚刚的预测值当作输入，再去做接下来的预测时，就会出现如下绿线的情况。十分离谱，因为误差会一点点积累

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+1）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+1）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))

可以看到我们训练的网络，在长序列上的预测效果并不好。接下来将学习多个模型解决这个问题。