pytorch做一个简单的预测器_torch 预测器代码-优快云博客

根据天气情况（温度湿度）、工作日这些特征属性预测共享单车的出行数量这一目标属性的值

数据预处理

对类型变量的处理：

Weekday:1,2,3,4,5,6,0 进行类型编码(one-hot编码）：
->星期日1000000，星期一0100000，星期二0010000，星期三0001000，星期四0000100，星期五0000010，星期六0000001
天气:0,1,2 （温度，适度，风力）这种数值类数据变量进行变量标准化：
->假设一个数据的值符合正态分布，我们可以通过（原始数据-平均值）/方差方式进行标准化处理，然后这些值就都落到[0,1]这一范围内

数据准备

将数据集进行切分，分为训练集和测试集，用训练集训练神经网络模型，用测试集测试训练好的模型，观察其准确度
划分具有任意性，可以进行多次划分，提高准确度
如何训练？将训练集分割成小的批（batch,128条记录），然后对每一小批进行误差计算、反向传播，调整权重

建立人工神经网络

有59个输入单元（分别对应处理后的特征属性），隐含层有十个单元（隐含层的单元个数取决于问题的复杂度，单元个数越多，学习能力越强，但有可能过拟合），还有一个输出层

1.构建网络模型

(1)nn.Linear()是表示建立一层线性连接单元，以构建从输入层到隐藏层节点的映射，输入维度input_size,隐含维度hidden_size。
(2)nn.sigmoid() 作用到每一个隐含层神经元上，也就是第一层神经网络到第二层神经网络的非线性运算
(3)从隐含层到输出层的线性运算，神经元个数分别为hidden_size和output_size
所有神经网络的参数都存储在neu.parameters()里面了
最后再用sequential语句创建神经网络，存储到neu这个变量里

neu=torch.nn.Sequential(
	torch.nn.Linear(input_size,hidden_size),
	torch.nn.Sigmoid(),
	torch.nn.Linear(hidden_size,output_size),

在这里插入图片描述

2. 建立损失函数和优化器

定义损失函数，torch.nn.MSELoss()等价于torch.mean((y-y*)^2)，其中cost为函数指针
定义优化器，torch.optim.SGD是随机梯度下降梯度 neu.parameters()返回神经网络neu的所有权重、偏置参数，lr是学习率

cost=torch.nn.MSELoss()
optimizer=torch.optim.SGD(neu.parameters(),lr=0.01)

3.对神经网络进行分批次训练

for i in range[2000]: #2000就是训练次数epoch
	batch_loss=[]#记录每一批次的损失
	#每128个样本点被划分为一批次
	#start和end分别是提取一个batch数据的起始和终止下标
	for start in range(0, len(X), batch_size)：
		end= start+batch_size if start+batch_size<len(X) else len(X)
		xx=Variable(torch.FloatTensor(X[start:end]))#得到一个批次中的特征属性数据
		yy=Variable(torch.FloatTensor(Y[start:end]))#得到一个批次中的目标属性数据
		predict= neu(xx) #模型预测
		loss= cost(predict, y)#计算损失函数（均方误差）
		
		optimizer.zero_grad()#将优化器存储的那些参数的梯度设置为0
		loss.backward()#开始反向传播，计算所有梯度
		optimizer.step()#优化器开始运行一步 ，更新所有的参数
		batch_loss.append(loss.data.numpy())
	#每隔100步输出一下损失值（loss）
	if i%100==0:
		losses.append(np.mean(batch_loss))
		print(i,np.mean(batch_loss))