深度學習&PyTorch 之 DNN-回歸(多變量)

深度學習&PyTorch 之 DNN-回歸中使用HR數據集進行了實現(xiàn),但是HR數據集中只有一個變量,這里我們使用多變量在進行模擬一下

流程還是跟前面一樣

graph TD
A[數據導入] --> B[數據拆分]
B[數據拆分] --> C[Tensor轉換]
C[Tensor轉換] --> D[數據重構]
D[數據重構] --> E[模型定義]
E[模型定義] --> F[模型訓練]
F[模型訓練] --> G[結果展示]

1.1 數據導入

我們使用波士頓房價預測數據克滴,這是個開源的數據集蟀淮,所以通用性更強

data = pd.read_csv('./boston_house_prices.csv')
data

在這里插入圖片描述

1.2 數據拆分

from sklearn.model_selection import train_test_split
train,test = train_test_split(data, train_size=0.7)

train_x = train[['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']].values
test_x = test[['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']].values

train_y = train.MEDV.values.reshape(-1, 1)
test_y = test.MEDV.values.reshape(-1, 1)

1.3 To Tensor

train_x = torch.from_numpy(train_x).type(torch.FloatTensor)
test_x = torch.from_numpy(test_x).type(torch.FloatTensor)
train_y = torch.from_numpy(train_y).type(torch.FloatTensor)
test_y = torch.from_numpy(test_y).type(torch.FloatTensor)

1.4 數據重構

from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader

train_ds = TensorDataset(X, Y)
train_dl = DataLoader(train_ds, batch_size=batch, shuffle=True)

train_ds = TensorDataset(train_x, train_y)
train_dl = DataLoader(train_ds, batch_size=batch, shuffle=True)

test_ds = TensorDataset(test_x, test_y)
test_dl = DataLoader(test_ds, batch_size=batch * 2)

與之前是一樣的

1.5 網絡定義

class LinearModel(nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = nn.Linear(13, 1)
        
    def forward(self, inputs):
        logits = self.linear(inputs)
        return logits

我們這里有13個特征變量

1.6 訓練

model = LinearModel()
loss_fn = nn.MSELoss()
opt = torch.optim.SGD(model.parameters(), lr=lr) # 定義優(yōu)化器

train_loss = []
train_acc = []

test_loss = []
test_acc = []


for epoch in range(epochs+1):
    model.train()
    for xb, yb in train_dl:
        pred = model(xb)
        loss = loss_fn(pred, yb)

        loss.backward()
        opt.step()
        opt.zero_grad()
    if epoch%10==0:
        model.eval()
        with torch.no_grad():
            train_epoch_loss = sum(loss_fn(model(xb), yb) for xb, yb in train_dl)
            test_epoch_loss = sum(loss_fn(model(xb), yb) for xb, yb in test_dl)
        train_loss.append(train_epoch_loss.data.item() / len(train_dl))
        test_loss.append(test_epoch_loss.data.item() / len(test_dl))

        template = ("epoch:{:2d}, 訓練損失:{:.5f}, 驗證損失:{:.5f}")
    
        print(template.format(epoch, train_epoch_loss.data.item() / len(train_dl), test_epoch_loss.data.item() / len(test_dl)))
print('訓練完成')

epoch: 0, 訓練損失:469.15608, 驗證損失:440.95737
epoch:10, 訓練損失:101.80890, 驗證損失:109.48333

epoch:20, 訓練損失:91.18239, 驗證損失:100.17014
epoch:30, 訓練損失:100.83169, 驗證損失:97.70323
epoch:40, 訓練損失:89.96843, 驗證損失:97.37273
epoch:50, 訓練損失:94.20027, 驗證損失:96.82300
......
epoch:480, 訓練損失:74.97700, 驗證損失:81.29946
epoch:490, 訓練損失:74.74702, 驗證損失:80.76858
epoch:500, 訓練損失:89.31947, 驗證損失:83.06767
訓練完成

1.7 結果展示

import matplotlib.pyplot as plt

plt.plot(range(len(train_loss)), train_loss, label='train_loss')
plt.plot(range(len(test_loss)), test_loss, label='test_loss')
plt.legend()
在這里插入圖片描述
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末瑟啃,一起剝皮案震驚了整個濱河市涛目,隨后出現(xiàn)的幾起案子陌兑,更是在濱河造成了極大的恐慌,老刑警劉巖篮奄,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異割去,居然都是意外死亡窟却,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門呻逆,熙熙樓的掌柜王于貴愁眉苦臉地迎上來夸赫,“玉大人,你說我怎么就攤上這事咖城〔缤龋” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵宜雀,是天一觀的道長切平。 經常有香客問我,道長辐董,這世上最難降的妖魔是什么悴品? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上苔严,老公的妹妹穿的比我還像新娘定枷。我一直安慰自己,他們只是感情好邦蜜,可當我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布依鸥。 她就那樣靜靜地躺著,像睡著了一般悼沈。 火紅的嫁衣襯著肌膚如雪贱迟。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天絮供,我揣著相機與錄音衣吠,去河邊找鬼。 笑死壤靶,一個胖子當著我的面吹牛缚俏,可吹牛的內容都是我干的。 我是一名探鬼主播贮乳,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼忧换,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了向拆?” 一聲冷哼從身側響起亚茬,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎浓恳,沒想到半個月后刹缝,有當地人在樹林里發(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡颈将,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年梢夯,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片晴圾。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡颂砸,死狀恐怖,靈堂內的尸體忽然破棺而出疑务,到底是詐尸還是另有隱情沾凄,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布知允,位于F島的核電站撒蟀,受9級特大地震影響,放射性物質發(fā)生泄漏温鸽。R本人自食惡果不足惜保屯,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一手负、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧姑尺,春花似錦竟终、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至柄粹,卻和暖如春喘鸟,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背驻右。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工什黑, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人堪夭。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓愕把,卻偏偏與公主長得像,于是被迫代替她去往敵國和親森爽。 傳聞我的和親對象是個殘疾皇子恨豁,可洞房花燭夜當晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內容