神经网络实战分类与回归任务

🌞欢迎来到深度学习的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

搭建PyTorch神经网络进行气温预测

数据表中

• year,moth,day,week分别表示的具体的时间
• temp_2：前天的最高温度值
• temp_1：昨天的最高温度值
• average：在历史中，每年这一天的平均最高温度值
• actual：这就是我们的标签值了，当天的真实最高温度
• friend：这一列可能是凑热闹的，你的朋友猜测的可能值，咱们不管它就好了

对字符串数据进行独热编码

 对数据进行preprocessing.StandardScaler()标准化操作，使得数据的幅度较小

构建网络模型

权重参数初始化

更简单的构建网络模型

Mnist分类任务

50000是样本个数，784（28*28*1）是mnist数据集每个样本的像素点个数。

      最后我们得到的是每个类的概率值，标签要和结果一致才行，我们的标签应该是（50000*10）的，比如9的标签的编码是（000000001）。

     torch.nn.functional中有很多功能，后续会常用的。那什么时候使用nn.Module，什么时候使用nn.functional呢？一般情况下，如果模型有可学习的参数，最好用nn.Module，其他情况nn.functional相对更简单一些。

创建一个model来更简化代码

• 必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数
• 无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
• Module中的可学习参数可以通过named_parameters()或者parameters()返回迭代器

使用TensorDataset和DataLoader来简化