本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
1.神经网络原理简单理解
如图所示这个神经网络分为:
输入层
其中的输入层的每一个节点代表的是一个对象的其中的一个特征，这个些特征可以用一个矩阵x表示，因为这是我们人类看的懂的东西，所以要转换成计算机看的懂的东西。
使用函数进行计算，w是权重，b是偏置。
y=w 1 x+b 1
我们通过不断的训练这个函数，通过反向传播进行梯度下降的到最好的w和b能够拟合这些数据。
其中输如层有3个节点是一个1×3的矩阵，对应的隐藏是一个1×4的矩阵，则要乘以w 1 是一个3×4的矩阵，b是一个1×4的矩阵。
其中神经网络还需要一个激活函数，常用的有的sigmoid，relu，tanh，因为神经网络对应的是一个线性化的函数，我们有的时候要解决非线性化的问题，所以引入激活函数，解决线性模型不能解决的问题。
隐藏层
输出层
总而言之，神经网络就是找到最合适的w和b使得其函数图形能够包含我们需要的样本点。如图所示，我们的神经网络的图形就是绿色的，正好包含了所有的正例，等我下次预测的时候，也就是把特征丢进去，他就会输入一个在绿色图像的点。
这块有点讲解的不是很清楚，大家可以参考一下其他网上的帖子。
2.使用神经网络预测天气案例
为了更好的学习神经网络，我学习了一个例子。
这个例子的数据集是348天的天气情况，根据这些天气情况的特征进行预测。
数据集：
链接：https://pan.baidu.com/s/1NORkTP-OFOfsbRVvyt29sw
提取码：kibn
加载数据
import numpy as np
import pandas as pd
import datetime
import matplotlib.pyplot as plt
from sklearn import preprocessing
# 加载数据
def data_load(filepath):
'''数据表中
year,moth,day,week分别表示的具体的时间
temp_2：前天的最高温度值
temp_1：昨天的最高温度值
average：在历史中，每年这一天的平均最高温度值
actual：这就是我们的标签值了，当天的真实最高温度
friend：这一列可能是凑热闹的，你的朋友猜测的可能值，咱们不管它就好了'''
features=pd.read_csv(filepath)
# 打印数据格式
print(features.head())
print(features.shape) # 一共有348条数据
return features
得到的数据是当前天气,前天,昨天的天气,数据如下
展示数据
为了让大家更好的了解数据的情况,做了一个可视化展示现在所有的数据
def showpicture(features):
# 处理时间数据
years = features['year']
months = features['month']
days = features['day']
# 转换成datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in
zip(years, months, days)]
# 将string格式的按照要求转换成时间格式
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
# print(dates[:5])
# 独热编码
# 因为我们的数据中的星期是字符串格式,所以将星期做一个独热编码就会转换成对应的数据
features = pd.get_dummies(features)
# print(features.head(5))
# 将数据画成图片
# 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) # 表示对图中的x轴进行45度的翻转
# 标签值(实际值)
ax1.plot(dates, features['actual'])
ax1.set_xlabel('day');
ax1.set_ylabel('Temperature');
ax1.set_title('Max Temp')
# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel('day');
ax2.set_ylabel('Temperature');
ax2.set_title('Previous Max Temp')
# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('day');
ax3.set_ylabel('Temperature');
ax3.set_title('Two Days Prior Max Temp')
# 我的朋友
ax4.plot(dates, features['friend'])
ax4.set_xlabel('day');
ax4.set_ylabel('Temperature');
ax4.set_title('Friend Estimate')
plt.show()
如图所示,对应的是当前最高气温、昨天最高气温、前天最高气温，其中的朋友预测的天气可以忽略不看。
处理数据
# 处理数据
def data_handle(features):
# 独热编码
# 因为我们的数据中的星期是字符串格式,所以将星期做一个独热编码就会转换成对应的数据
features = pd.get_dummies(features)
# 标签
# 在我们的数据中,除开actual是一个我们实际值y,其他的值都是x
# 所以当读把他抽取出来
labels=np.array(features['actual'])
# print(labels)
# 在特征中去掉标签
features=features.drop('actual',axis=1)
# 名单单独保存一下,以备后患
features_list=list(features.columns)
print(features_list)
# 将数据转换成合适的格式
features=np.array(features)
# print(features)
# print(features.shape)
# 因为我们的原始数据中的month和day都比较小,所以我可以对features做一个标准化,这样到时候训练收敛会更快一些
input_features=preprocessing.StandardScaler().fit_transform(features)
return input_features,labels
训练模型预测天气
这里是初学神经网络，所以就把训练集当作测试集，然后通过图像展示，更加直观的看到预测的数据的拟合程度。
import torch
from data_load.preprocessdata import data_load,data_handle,showpicture
from model.modeling import Neural
import torch.nn as nn
import numpy as np
import datetime
import pandas as pd
import matplotlib.pyplot as plt
if __name__=='__main__':
# 加载数据
features=data_load('./data/temps.csv')
# 将数据生成统计图
# showpicture(features)
# 将真实值和预测数据分离开
input_features,labels=data_handle(features）
# 使用torch.nn构建神经网络
x = torch.tensor(input_features, dtype=float)
y = torch.tensor(labels, dtype=float)
# 设置参数
input_size=input_features.shape[1] # (348,14),原始数据是一个348行14列的矩阵
hidden_size=128
output_size=1
batch_size=16 # 分批次训练,每次使用16个数据
my_nn=nn.Sequential(
nn.Linear(input_size,hidden_size), # 输入层有14个节点,隐藏层有128个节点
nn.Sigmoid(),# 激活函数使用的是sigmoid函数
nn.Linear(hidden_size,output_size), # 输出层
)
# 定义损失函数,使用的是均方损失函数
cost=nn.MSELoss(reduction='mean')
# 构造一个优化器,可以减少输入数据的噪音,使得数据更加便于训练
optimizer=torch.optim.Adam(my_nn.parameters(),lr=0.001)
# 训练网路
losses=[]
for i in range(1000):
batch_loss=[]
# 使用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)
yy=torch.tensor(labels[start:end],dtype=torch.float,requires_grad=True)
## 训练
prediction=my_nn(xx)
loss=cost(prediction,yy)
optimizer.zero_grad()
loss.backward(retain_graph=True)
optimizer.step()
batch_loss.append(loss.data.numpy())
# 每100次打印一次损失
if i%100==0:
losses.append(np.mean(batch_loss))
print(i,np.mean(batch_loss))
# 测试训练结果,原本是要使用测试集的,为了快速实验,我们实验的就是测试集的数据
x=torch.tensor(input_features,dtype=torch.float)
predict=my_nn(x).data.numpy() # 需要将tensor数据转换成numpy格式的数据,因为在plt中只支持numpy格式的数据
# 将预测的数据和实际数据可视化
# 格式转换
# 转换成datetime格式
# 处理时间数据
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)]
# 将string格式的按照要求转换成时间格式
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
# 创建一个表格来存储日期和其对应的标签
true_date=pd.DataFrame(data={'date':dates,'actual':labels})
# 同理创建一个表来存储预测的值
prediction_data = pd.DataFrame(data={'date': dates, 'prediction': predict.reshape(-1)})
# 创建图像
# 真实值
plt.plot(true_date['date'],true_date['actual'],'b-',label='actual')
# 预测值
plt.plot(prediction_data['date'],prediction_data['prediction'],'ro',label='prediction')
plt.legend()
# 图名
plt.xlabel('Date');
plt.ylabel('Maximum Temperature(F)');
plt.title('Actual and predicted Values');
plt.show()
每100次显示一次的loss：
100 37.94807 200 35.65217 300 35.278557 400 35.112137 500 34.977985 600 34.857384 700 34.736656 800 34.610817 900 34.47966
使用matplotlib.pyplot可视化我们预测的天气与真实天气的拟合情况：
通过这个小实验,让我简单的理解了神经网络就是一个一个数学函数,训练这个模型就是找到最合适的参数,能够使这些函数完美的包含我们的样本点,下次预测的时候,就将特征输入进去,就能够通过函数计算出哪个y,就是我们预测值.
Be First to Comment