搭建PyTorch神经网络进行气温预测

本文基于PyTorch，搭建了神经网络，实现了对气温的预测。

(1)读入数据

features = pd.read_csv('temps.csv')#其中共348条数据，每条数据有9个特征

(2)预处理数据

• 处理时间数据

# 处理时间数据，方便操作
import datetime

# 分别得到年，月，日
years = features['year']
months = features['month']
days = features['day']

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

处理时间数据结果：

• 可视化数据

 # 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')

# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (10,10))
fig.autofmt_xdate(rotation = 45)

# 标签值
ax1.plot(dates, features['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Max Temp')

# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

# 我的逗逼朋友
ax4.plot(dates, features['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')

plt.tight_layout(pad=2)

• 将week列的字符串转换成数值

 # 独热编码：将week列的字符串转换成数值
features = pd.get_dummies(features)

结果：

• 明确标签

 # 标签
labels = np.array(features['actual'])

# 在特征中去掉标签
features= features.drop('actual', axis = 1)

# 名字单独保存一下，以备后患
feature_list = list(features.columns)

# 转换成合适的格式
features = np.array(features)

• 标准化数据

 from sklearn import preprocessing#导入sklearn的预处理模块
input_features = preprocessing.StandardScaler().fit_transform(features)#标准化操作：数值浮动范围化小

标准化数据结果：

(3)构建网络模型

• 首先需要将x,y转换成tensor格式，并设置权重参数，接着，进行前向传播，然后，根据前向传播计算损失，最后，反向传播计算梯度，更新参数。

x = torch.tensor(input_features, dtype = float)#把ndarry结构的input_features转换成tensor格式

y = torch.tensor(labels, dtype = float)#把ndarry结构的label转换成tensor格式

# 权重参数初始化
weights = torch.randn((14, 128), dtype = float, requires_grad = True) #14个特征，转换成128个隐藏层神经元
biases = torch.randn(128, dtype = float, requires_grad = True) #128个神经元都含偏置项
weights2 = torch.randn((128, 1), dtype = float, requires_grad = True) #回归任务，最后返回1个值
biases2 = torch.randn(1, dtype = float, requires_grad = True) 

learning_rate = 0.001 #学习率
losses = []#损失

for i in range(1000):
    # 计算隐层
    hidden = x.mm(weights) + biases#.mm表示矩阵乘法
    # 加入激活函数
    hidden = torch.relu(hidden)
    # 预测结果
    predictions = hidden.mm(weights2) + biases2
    # 通计算损失
    loss = torch.mean((predictions - y) ** 2) #均方误差
    losses.append(loss.data.numpy())
    
    # 打印损失值
    if i % 100 == 0:
        print('loss:', loss)
    #返向传播计算
    loss.backward()
    
    #更新参数
    weights.data.add_(- learning_rate * weights.grad.data)  #-表示反方向，学习率乘以梯度值
    biases.data.add_(- learning_rate * biases.grad.data)
    weights2.data.add_(- learning_rate * weights2.grad.data)
    biases2.data.add_(- learning_rate * biases2.grad.data)
    
    # 每次迭代都得记得清空，不然会累加影响结果
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()

损失值打印：

(4)更简单的网络模型

input_size = input_features.shape[1]#总共样本数量
hidden_size = 128#隐藏层神经元个数
output_size = 1#输出结果1个
batch_size = 16#一次训练所选取的样本数
my_nn = torch.nn.Sequential(#按序列调用nn模块下实现的神经网络
    torch.nn.Linear(input_size, hidden_size),#全连接层，传入输入和得到结果参数名
    torch.nn.Sigmoid(),#激活函数
    torch.nn.Linear(hidden_size, output_size),#全连接层，传入输入和得到结果参数名
)
cost = torch.nn.MSELoss(reduction='mean')#损失值
optimizer = torch.optim.Adam(my_nn.parameters(), lr = 0.001)#优化器Adam可动态调整学习率

# 训练网络
losses = []
for i in range(1000):
    batch_loss = []
    # MINI-Batch方法来进行训练
    for start in range(0, len(input_features), batch_size):
        end = start + batch_size if start + batch_size < len(input_features) else len(input_features)
        xx = torch.tensor(input_features[start:end], dtype = torch.float, requires_grad = True)#传入一次的数据，start索引到end索引
        yy = torch.tensor(labels[start:end], dtype = torch.float, requires_grad = True)#批量取数据
        prediction = my_nn(xx)#前向传播，调用刚写好的序列函数
        loss = cost(prediction, yy)#损失
        optimizer.zero_grad()#每次迭代梯度清0
        loss.backward(retain_graph=True)#反向传播
        optimizer.step()#更新参数
        batch_loss.append(loss.data.numpy())
    
    # 打印损失
    if i % 100==0:
        losses.append(np.mean(batch_loss))
        print(i, np.mean(batch_loss))

损失结果：

(5)预测结果

x = torch.tensor(input_features, dtype = torch.float)#转换格式，这里用原始数据做预测
predict = my_nn(x).data.numpy()#进行一次前向传播并转换成数组格式方便后续绘图展示
# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date': dates, 'actual': labels})

# 同理，再创建一个来存日期和其对应的模型预测值
months = features[:, feature_list.index('month')]
days = features[:, feature_list.index('day')]
years = features[:, feature_list.index('year')]

test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]

test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in test_dates]

predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)}) #.reshape(-1)转换成1列
# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')

# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label = 'prediction')
plt.xticks(rotation = 'horizontal'); 
plt.legend()

# 图名
plt.xlabel('Date'); plt.ylabel('Maximum Temperature (F)'); plt.title('Actual and Predicted Values');

本栏目推荐文章
• 网络攻击技术(二)——Cross-site scripting
• 网络攻击技术开篇——SQL Injection
• 探索短链接：让网络分享更便捷
• 详讲网络流
• 新版的Edge浏览器如何设置网络代理？
• Anolis 挂载网络共享文件夹
• 荣耀笔记本锐龙版 网络连接不上怎么办？
• matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类|附代码数据
• 云打印和网络打印的区别？云打印是网上打印吗？
• 网络

神经网络 气温 神经 PyTorch 网络神经网络 气温 神经pytorch 神经网络 深度 神经pytorch pytorch土堆 神经网络 骨架 网络基础 神经pytorch基础 神经网络 模型 神经pytorch 图卷 神经网络 神经pytorch 神经网络 神经pytorch网络 神经网络 神经pytorch情感 卷积 神经网络 神经pytorch 神经网络 实战 神经pytorch