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1996,第二列2997,第三列3998,第四列4999。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。