深圳 建网站,网站建设沈阳,上海企业公示信息查询系统,北京餐饮设计公司1.使用正弦函数和可加性噪声生成序列数据
import torch
from torch import nn
from d2l import torch as d2l#使用正弦函数和可加性噪声生成序列数据
T 1000 #总共产生1000个点
time torch.arange(1,T1,dtypetorch.float32)
x torch.sin(0.01*time) torch.normal(0,0.2,(…1.使用正弦函数和可加性噪声生成序列数据
import torch
from torch import nn
from d2l import torch as d2l#使用正弦函数和可加性噪声生成序列数据
T 1000 #总共产生1000个点
time torch.arange(1,T1,dtypetorch.float32)
x torch.sin(0.01*time) torch.normal(0,0.2,(T,))
d2l.plot(time,[x],time,x,xlim[1,1000],figsize(6,3))
d2l.plt.show()
#使用正弦函数和可加性噪声生成序列数据
2.训练
#将这个序列转换为模型的模型的特征-标签对。
#仅使用前600个“特征标签”对进行训练。
tau 4
features torch.zeros((T-tau,tau))
for i in range(tau):features[:,i] x[i:T-taui]
labels x[tau:].reshape((-1,1))batch_size,n_train 16,600
#只有前n_train个样本用于训练
train_iter d2l.load_array((features[:n_train],labels[:n_train]),batch_size,is_trainTrue)#使用一个相当简单的架构训练模型一个拥有两个全连接层的多层感知机ReLU激活函数和平方损失。#初始化网络权重的函数
def init_weight(m):if type(m) nn.Linear:nn.init.xavier_uniform_(m.weight)#一个简单的多层感知机
def get_net():net nn.Sequential(nn.Linear(4,10),nn.ReLU(),nn.Linear(10,1))net.apply(init_weight)return net#平方损失。注意MSELoss计算平方误差时不带系数1/2
loss nn.MSELoss(reductionnone)#训练模型.与前面几节如 3.3节中的循环训练基本相同
def train(net, train_iter, loss, epochs, lr):trainer torch.optim.Adam(net.parameters(), lr)for epoch in range(epochs):for X, y in train_iter:trainer.zero_grad()l loss(net(X), y)l.sum().backward()trainer.step()print(fepoch {epoch 1}, floss: {d2l.evaluate_loss(net, train_iter, loss):f})net get_net()
train(net, train_iter, loss, 5, 0.01)
d2l.plt.show() 3.预测
1一步预测
#检查模型预测下一个时间步的能力 也就是单步预测
onestep_preds net(features)
d2l.plot([time,time[tau:]],[x.detach().numpy(),onestep_preds.detach().numpy()],time,x,legend[data,1-step preds],xlim [1,1000],figsize(6,3))
d2l.plt.show() 2K步预测
#K步预测
multistep_preds torch.zeros(T)
multistep_preds[: n_train tau] x[: n_train tau]
for i in range(n_train tau,T):multistep_preds[i] net(multistep_preds[i-tau:i].reshape((1,-1)))
d2l.plot([time,time[tau:],time[n_traintau:]],[x.detach().numpy(), onestep_preds.detach().numpy(),multistep_preds[n_traintau:].detach().numpy()],time,x,legend[data,1-step preds,multistep preds],xlim[1,1000],figsize(6,3))
d2l.plt.show() 3基于k 1,4,16,64通过对整个序列预测的计算更仔细地看一下k步预测的困难。
#基于k 1,4,16,64通过对整个序列预测的计算更仔细地看一下k步预测的困难。
max_steps 64features torch.zeros((T-tau-max_steps1,taumax_steps))
#列iitau是来自x的观测其时间步从i到iT-tau-max_steps1
for i in range(tau):features[:,i] x[i:iT-tau-max_steps1]
# 列iitau是来自i-tau1步的预测其时间步从i到iT-tau-max_steps1
for i in range(tau,taumax_steps):features[:,i] net(features[:,i-tau:i]).reshape(-1)steps (1,4,16,64)
d2l.plot([time[tau i - 1: T - max_steps i] for i in steps],[features[:, (tau i - 1)].detach().numpy() for i in steps], time, x,legend[f{i}-step preds for i in steps], xlim[5, 1000],figsize(6, 3))
d2l.plt.show()
