柳江网站虚拟主机公司,怎样设计网站,上海建设机械网站,企业网站开发时间主要有以下几个步骤
第一#xff1a;导入相应的工具包
第二#xff1a;导入需要使用的数据集
第三#xff1a;对导入的数据集输入进行预处理#xff0c;找出特征与标签#xff0c;查看数据特征的类型#xff0c;判断是否需要标准化或者归一化处理
第四#xff1a;构建神…主要有以下几个步骤
第一导入相应的工具包
第二导入需要使用的数据集
第三对导入的数据集输入进行预处理找出特征与标签查看数据特征的类型判断是否需要标准化或者归一化处理
第四构建神经网络的一些参数在使用matplotlib时需要加入
import matplotlib
matplotlib.use(TkAgg)
import matplotlib.pyplot as plt防止报错
实现如下
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use(TkAgg)
import matplotlib.pyplot as plt
# 导入sklearn预处理模块
from sklearn import preprocessingimport torch
import torch.optim as optim
import datetime
import warnings
warnings.filterwarnings(ignore)
# matplotlib inline
features pd.read_csv(C:\\Users\\Administrator\\Desktop\\temps.csv)
# 观看数据大致情况
print(features.head())
# 查看数据维度
print(features.shape)#对年月日进行格式转换
years features[year]
months features[month]
days features[day]
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]
print(dates[:2])# 准备画图
# 指定绘画的风格
plt.style.use(fivethirtyeight)#设置布局
# fig,((ax1,ax2),(ax3,ax4))plt.subplots(nrows2,ncols2,figsize (10,10))
# fig.autofmt_xdate(rotation45)
fig, ((ax1, ax2), (ax3, ax4)) plt.subplots(nrows2, ncols2, 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)# 我的二货朋友
ax4.plot(dates,features[friend])
ax4.set_xlabel(Date); ax4.set_ylabel(Temperature); ax4.set_title(Friend Estimate)plt.tight_layout(pad2)plt.show(block True)# 独热编码
features pd.get_dummies(features)
print(features.head())# 标签
labels np.array(features[actual])# 在特征中去掉标签
features features.drop(actual,axis1)# 名字单独保存以防后面需要
features_list list(features.columns)# 转换成合适的格式
features np.array(features)
print(features.shape)# 对数据进行预处理
# 由于数据差距太大所以需要进行标准化处理
input_features preprocessing.StandardScaler().fit_transform(features)## 构建网络模型
x torch.tensor(input_features, dtypefloat)
y torch.tensor(labels, dtypefloat)# 权重参数初始化
weights torch.randn((14, 128), dtypefloat, requires_gradTrue)
# 将14个特征转换成128层隐层特征这里就是对特征进行了升维
biases torch.randn(128, dtypefloat, requires_gradTrue)
weights2 torch.randn((128, 1), dtypefloat, requires_gradTrue)
biases2 torch.randn(1, dtypefloat, requires_gradTrue)learning_rate 0.01
losses []for i in range(1000):# 计算隐层hidden x.mm(weights) biases# 加入激活函数hidden torch.relu(hidden)# 预测结果predictions hidden.mm(weights2) biases2# 通过计算损失函数loss torch.mean((predictions - y) ** 2)losses.append(loss.data.numpy())#打印损失值if i % 100 0:print(loss:, loss)# 反向计算传播loss.backward()# 更新参数weights.data.add_(-learning_rate*weights.grad.data)biases.data.add_(-learning_rate*biases.grad.data)weights2.data.add_(-learning_rate * weights2.grad.data)biases2.data.add_(-learning_rate * biases2.grad.data)# 每次更新完都要清空迭代不然会累加weights.grad.data.zero_()biases.grad.data.zero_()weights2.grad.data.zero_()biases2.grad.data.zero_()但是着这种构造太麻烦因为导入的工具包都帮我们设置好了我们只需要设置相应的参数即可 改版如下
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use(TkAgg)
import matplotlib.pyplot as plt
# 导入sklearn预处理模块
from sklearn import preprocessingimport torch
import torch.optim as optim
import datetime
import warnings
warnings.filterwarnings(ignore)
# matplotlib inline
features pd.read_csv(C:\\Users\\Administrator\\Desktop\\temps.csv)
# 观看数据大致情况
print(features.head())
# 查看数据维度
print(features.shape)#对年月日进行格式转换
years features[year]
months features[month]
days features[day]
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]
print(dates[:2])# 独热编码
features pd.get_dummies(features)
print(features.head())# 标签
labels np.array(features[actual])# 在特征中去掉标签
features features.drop(actual,axis1)# 名字单独保存以防后面需要
features_list list(features.columns)# 转换成合适的格式
features np.array(features)
print(features.shape)# 对数据进行预处理
# 由于数据差距太大所以需要进行标准化处理
input_features preprocessing.StandardScaler().fit_transform(features)## 构建网络模型
x torch.tensor(input_features, dtypefloat)
y torch.tensor(labels, dtypefloat)# 权重参数初始化
weights torch.randn((14, 128), dtypefloat, requires_gradTrue)
# 将14个特征转换成128层隐层特征这里就是对特征进行了升维
biases torch.randn(128, dtypefloat, requires_gradTrue)
weights2 torch.randn((128, 1), dtypefloat, requires_gradTrue)
biases2 torch.randn(1, dtypefloat, requires_gradTrue)input_size input_features.shape[1]
hidden_size 128
output_size 1
batch_size 16
my_nn torch.nn.Sequential(torch.nn.Linear(input_size,hidden_size),torch.nn.Sigmoid(),torch.nn.Linear(hidden_size,output_size),
)
cost torch.nn.MSELoss(reductionmean)
optimizer torch.optim.Adam(my_nn.parameters(),lr0.01)#动态调整学习率# 训练网络
losses []for i in range(1000):batch_lose []for start in range(0, len(input_features),batch_size):end startbatch_size if startbatch_sizelen(input_features) else len(input_features)xx torch.tensor(input_features[start:end],dtypetorch.float,requires_gradTrue)yy torch.tensor(labels[start:end],dtypetorch.float,requires_gradTrue)prediction my_nn(xx)loss cost(prediction,yy)optimizer.zero_grad()loss.backward()# 更新操作optimizer.step()batch_lose.append(loss.data.numpy())# 打印损失if i % 100 0:losses.append(np.mean(batch_lose))print(i,np.mean(batch_lose))# 预测训练模型
# 还是需要将数据转换成torchtensor格式
x torch.tensor(input_features,dtypetorch.float)
# 要将预测的结果转换numpy格式更容易后续计算
pred my_nn(x).data.numpy()#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]
#创建一个表格存储日期和对应的标签值
true_date pd.DataFrame(data{date:dates,actual:labels})# 创建一个存日期和其对应的模型预测值
months features[:,features_list.index(month)]
days features[:, features_list.index(day)]
years features[:,features_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]pred_data pd.DataFrame(data{date:test_dates,pred:pred.reshape(-1)})plt.plot(true_date[date],true_date[actual],b-,label actual)
plt.plot(pred_data[date],pred_data[pred],ro,label prediction)
plt.xticks(fontsize15, rotation45, haright)
plt.legend()
