深度学习和热舒适性

最新推荐文章于 2024-11-12 10:13:16 发布

原创

最新推荐文章于 2024-11-12 10:13:16 发布 · 948 阅读

6 ·

CC 4.0 BY-SA版权

记录热舒适性的预测与推荐的学习

第一篇从DNN开始探究

1. 选用工具

语言框架：pytorch
之前写深度学习使用的TensorFlow，这次的学习基于pytorch的学习，关于两者之间的区别，稍后有时间可以介绍，这里先留个坑，待之后时间回来填坑。
这里区别可以先参考pytorch和TensorFlow的区别之后有想法可以继续填坑。

2. 代码实现

第一篇我先实现一个简单的DNN代码，使用的数据集则是最经典的Minst，手写数据集。代码是参考pytorch示例：深度神经网络实现，这里我会复现下这里面的代码，可以直接参考我展示的下方代码，链接里会详细介绍了一些优化方法，有兴趣的可以点击去参考。

该神经网络结构：1输入层，1全连接的隐含层，1输出层，预期达到98%左右的准确率，下面来进行详细的代码设计，看看效果如何。
配置库和配置参数，这一步是动态修改的，在编写代码时用到什么库import就可以

import torch
import torch.nn as nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
from torch.autograd import Variable

torch.manual_seed(1)    # 设置人工种子，保证结果可重复
input_size = 784        # 输入特征的大小，图片为28*28
hidden_size = 500       # 隐藏层为500个神经元
num_classes = 10        # 输出层：10 类，手写数据集为10分类
num_epochs = 5          # 训练参数：训练轮数，根据训练结果可以调节
batch_size = 100        # 参数： 批大小 60000个训练样本要分为600个批次进行
learning_rate = 0.001     # 参数：学习率 一般默认为0.001，根据结果再调整

加载数据集，mnist数据集在pytorch中有集成，可以直接使用，放在./data目录中

# 加载数据集
train_dataset = dsets.MNIST(root='./data',
                            train=True,
                            transform=transforms.ToTensor(),
                            download=True)
# load test set
test_dataset = dsets.MNIST(root='./data',
                           train=False,
                           transform=transforms.ToTensor())

批处理数据
torch.utils.data.DataLoader 函数：【在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。】

# 训练集的shuffle必须为True，表示每次从60000训练样本中随机选择100个作为一个批次
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True)
# 测试集的shuffle要为False，即要保证10000个测试样本都只被预测一遍
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)

创建DNN模型，其中使用nn包来创建

# 创建DNN模型
class Net(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)         # 全连接
        self.relu == nn.ReLU(