【PyTorch深度学习项目实战200例】—— 基于PyTorch搭建CNN(一维卷积Conv1D)模型实现风速时间序列预测 | 第1例

首先，我们需要导入必要的库，包括PyTorch、NumPy、Pandas和Matplotlib：

import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

接下来，我们可以定义一些超参数，例如学习率、批次大小和训练轮数：

learning_rate = 0.01
batch_size = 64
num_epochs = 100

然后，我们可以加载我们的数据集。这里使用的是一个包含风速时间序列数据的CSV文件。我们可以使用Pandas库来读取数据：

data = pd.read_csv('wind_speed.csv')

# 将数据转换为NumPy数组
data_np = data.to_numpy()

# 将数据集分为训练集和验证集
train_size = int(len(data_np) * 0.8)
train_data = data_np[:train_size]
test_data = data_np[train_size:]

接下来，我们需要将数据转换为张量，并将其划分成批次：

# 将数据转换为张量
train_tensor = torch.from_numpy(train_data).float()
test_tensor = torch.from_numpy(test_data).float()

# 将训练数据分成批次
train_loader = torch.utils.data.DataLoader(train_tensor, batch_size=batch_size, shuffle=True)

接下来，我们可以定义我们的模型。这里使用的是一个有三个卷积层和三个全连接层的简单CNN模型：

class CNN(torch.nn.Module):
    def __init__(self):
        super(CNN