龙岗网站,网站都可以做哪些主题,学计算机网站开发好吗,大学生求职简历模板免费下载#x1f368; 本文为#x1f517;365天深度学习训练营 中的学习记录博客#x1f356; 原作者#xff1a;K同学啊
一、相关技术
1.LSTM基本概念
LSTM#xff08;长短期记忆网络#xff09;是RNN#xff08;循环神经网络#xff09;的一种变体#xff0c;它通过引入特… 本文为365天深度学习训练营 中的学习记录博客 原作者K同学啊
一、相关技术
1.LSTM基本概念
LSTM长短期记忆网络是RNN循环神经网络的一种变体它通过引入特殊的结构来解决传统RNN中的梯度消失和梯度爆炸问题特别适合处理序列数据。 结构组成 遗忘门决定丢弃哪些信息通过sigmoid函数输出0-1之间的值表示保留或遗忘的程度。输入门决定更新哪些信息同样通过sigmoid函数控制更新的程度并结合tanh函数生成新的候选记忆内容。输出门决定输出哪些信息根据sigmoid函数的结果筛选记忆单元中的信息。 应用场景 语言模型与文本生成如自动补全句子、生成文本。语音识别将语音信号转换为文字。时间序列预测如股票价格预测、天气预报。
2.PyTorch核心组件
PyTorch是一个开源的机器学习库广泛应用于深度学习领域。以下是案例中用到的核心组件 nn.Module 所有神经网络模块的基类用于构建自定义模型。需要实现forward方法定义前向传播逻辑。 DataLoader与TensorDataset DataLoader负责批量加载数据支持并行处理和随机打乱。TensorDataset将张量数据包装成数据集便于与DataLoader配合使用。 优化器与损失函数 torch.optim.Adam自适应学习率优化算法适合处理稀疏数据和非平稳目标。nn.CrossEntropyLoss适用于多分类任务结合了softmax和交叉熵损失。
3.实验设计要点 特征选择与工程 移除与目标负相关的特征如本例中的高密度脂蛋白胆固醇减少噪声提高模型性能。使用领域知识选择对目标变量有预测能力的特征。 数据预处理 数据标准化将特征缩放到相似范围加速模型收敛本例虽未使用但推荐。数据集划分通常采用70%-30%或80%-20%的比例划分训练集和测试集。 模型结构设计 输入层与特征数量匹配。隐藏层根据数据复杂度和实验效果调整神经元数量。输出层与分类类别数量一致本例为二分类输出2个节点。
4.训练过程解析 前向传播 将输入数据通过网络得到预测结果。计算预测结果与真实标签之间的损失值。 反向传播 计算损失对各参数的梯度。使用优化器更新网络权重。 性能评估 准确率Accuracy正确预测的样本数占总样本数的比例。损失值Loss衡量预测结果与真实值之间的差异。
5.结果可视化 绘制训练曲线 使用Matplotlib库绘制训练和测试的准确率、损失曲线。通过曲线观察模型的收敛趋势和过拟合风险。 解读图表 准确率曲线训练集和测试集的准确率越接近模型泛化能力越强。损失曲线损失值逐渐下降表明模型在学习若测试损失上升可能表示过拟合。
6.总结
通过这个糖尿病预测案例我们学习了LSTM网络的基本原理和PyTorch框架的使用方法。从数据预处理到模型训练再到结果评估每一步都蕴含着重要的机器学习知识。希望读者能够举一反三将这些技术应用到其他领域的问题解决中。在实际应用中不断尝试和优化是提高模型性能的关键。记住深度学习不仅需要理论知识更需要大量的实践和耐心调试。
二、代码实现
1.导入库函数
import torch.nn as nn
import torch.nn.functional as F
import torchvision,torch# 设置硬件设备如果有GPU则使用没有则使用cpu
device torch.device(cuda if torch.cuda.is_available() else cpu)
import matplotlib.pyplot as plt
#隐藏警告
import warnings
import numpy as npimport pandas as pd
import seaborn as sns
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt2.导入数据
plt.rcParams[savefig.dpi] 500 #图片像素
plt.rcParams[figure.dpi] 500 #分辨率
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
warnings.filterwarnings(ignore)
DataFramepd.read_excel(rE:\Code\pytorch_gpu\data\dia.xls)
print(DataFrame.head())# 查看数据是否有缺失值
print(数据缺失值---------------------------------)
print(DataFrame.isnull().sum())
# 查看数据是否有重复值
print(数据重复值---------------------------------)
print(数据集的重复值为:f{DataFrame.duplicated().sum()})卡号 性别 年龄 高密度脂蛋白胆固醇 低密度脂蛋白胆固醇 ... 尿素氮 尿酸 肌酐 体重检查结果 是否糖尿病
0 18054421 0 38 1.25 2.99 ... 4.99 243.3 50 1 0
1 18054422 0 31 1.15 1.99 ... 4.72 391.0 47 1 0
2 18054423 0 27 1.29 2.21 ... 5.87 325.7 51 1 0
3 18054424 0 33 0.93 2.01 ... 2.40 203.2 40 2 0
4 18054425 0 36 1.17 2.83 ... 4.09 236.8 43 0 0[5 rows x 16 columns]
数据缺失值---------------------------------
卡号 0
性别 0
年龄 0
高密度脂蛋白胆固醇 0
低密度脂蛋白胆固醇 0
极低密度脂蛋白胆固醇 0
甘油三酯 0
总胆固醇 0
脉搏 0
舒张压 0
高血压史 0
尿素氮 0
尿酸 0
肌酐 0
体重检查结果 0
是否糖尿病 0
dtype: int64
数据重复值---------------------------------
数据集的重复值为:03.数据分布分析
feature_map {年龄: 年龄,高密度脂蛋白胆固醇: 高密度脂蛋白胆固醇,低密度脂蛋白胆固醇: 低密度脂蛋白胆固醇,极低密度脂蛋白胆固醇: 极低密度脂蛋白胆固醇,甘油三酯: 甘油三酯,总胆固醇: 总胆固醇,脉搏: 脉搏,舒张压:舒张压,高血压史:高血压史,尿素氮:尿素氮,尿酸:尿酸,肌酐:肌酐,体重检查结果:体重检查结果}
plt.figure(figsize(15, 10))for i, (col, col_name) in enumerate(feature_map.items(), 1):plt.subplot(3, 5, i)sns.boxplot(xDataFrame[是否糖尿病], yDataFrame[col])plt.title(f{col_name}的箱线图, fontsize14)plt.ylabel(数值, fontsize12)plt.grid(axisy, linestyle--, alpha0.7)plt.tight_layout()
plt.show()4.数据集构建
# 高密度脂蛋白胆固醇字段与糖尿病负相关故而在 X 中去掉该字段
X DataFrame.drop([卡号,是否糖尿病,高密度脂蛋白胆固醇],axis1)
y DataFrame[是否糖尿病]# sc_X StandardScaler()
# X sc_X.fit_transform(X)
X torch.tensor(np.array(X), dtypetorch.float32)
y torch.tensor(np.array(y), dtypetorch.int64)
train_X, test_X, train_y, test_y train_test_split(X, y,
test_size0.2,
random_state1)
from torch.utils.data import TensorDataset, DataLoadertrain_dl DataLoader(TensorDataset(train_X, train_y),batch_size64,shuffleFalse)
test_dl DataLoader(TensorDataset(test_X, test_y),batch_size64,shuffleFalse)
#train_X.shape, train_y.shape5.模型构建
class model_lstm(nn.Module):def __init__(self):super(model_lstm, self).__init__()self.lstm0 nn.LSTM(input_size13 ,hidden_size200,num_layers1, batch_firstTrue)self.lstm1 nn.LSTM(input_size200 ,hidden_size200,num_layers1, batch_firstTrue)self.fc0 nn.Linear(200, 2)def forward(self, x):out, hidden1 self.lstm0(x)out, _ self.lstm1(out, hidden1)out self.fc0(out)return outmodel model_lstm().to(device)model lstm((lstm0):LSTM(13200batch firstTrue)(1stm1):LSTM(200200batch firstTrue)(fc0): Linear(in features200,out features2,biasTrue)6.构建测试训练
def train(dataloader, model, loss_fn, optimizer):size len(dataloader.dataset) # 训练集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)train_loss, train_acc 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签X, y X.to(device), y.to(device)# 计算预测误差pred model(X) # 网络输出loss loss_fn(pred, y) # 计算网络输出和真实值之间的差距targets为真实值计算二者差值即为损失# 反向传播optimizer.zero_grad() # grad属性归零loss.backward() # 反向传播optimizer.step() # 每一步自动更新# 记录acc与losstrain_acc (pred.argmax(1) y).type(torch.float).sum().item()train_loss loss.item()train_acc / sizetrain_loss / num_batchesreturn train_acc, train_loss7. 构建训练函数
def test (dataloader, model, loss_fn):size len(dataloader.dataset) # 测试集的大小num_batches len(dataloader) # 批次数目, (size/batch_size向上取整)test_loss, test_acc 0, 0# 当不进行训练时停止梯度更新节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target imgs.to(device), target.to(device)# 计算losstarget_pred model(imgs)loss loss_fn(target_pred, target)test_loss loss.item()test_acc (target_pred.argmax(1) target).type(torch.float).sum().item()test_acc / sizetest_loss / num_batchesreturn test_acc, test_loss8.训练模型
loss_fn nn.CrossEntropyLoss() # 创建损失函数learn_rate 1e-4 # 学习率opt torch.optim.Adam(model.parameters(),lrlearn_rate)epochs 30train_loss []train_acc []test_loss []test_acc []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr opt.state_dict()[param_groups][0][lr]template (Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E})print(template.format(epoch1, epoch_train_acc*100, epoch_train_loss,epoch_test_acc*100, epoch_test_loss, lr))print(*20, Done, *20)Epoch: 1, Train_acc:55.1%, Train_loss:0.688, Test_acc:53.0%, Test_loss:0.716, Lr:1.00E-04Done
Epoch: 2, Train_acc:56.2%, Train_loss:0.683, Test_acc:53.0%, Test_loss:0.720, Lr:1.00E-04Done
Epoch: 3, Train_acc:56.2%, Train_loss:0.682, Test_acc:53.0%, Test_loss:0.719, Lr:1.00E-04Done
Epoch: 4, Train_acc:56.2%, Train_loss:0.681, Test_acc:53.0%, Test_loss:0.721, Lr:1.00E-04Done
Epoch: 5, Train_acc:56.2%, Train_loss:0.679, Test_acc:53.0%, Test_loss:0.722, Lr:1.00E-04Done
Epoch: 6, Train_acc:56.2%, Train_loss:0.678, Test_acc:53.0%, Test_loss:0.722, Lr:1.00E-04Done
Epoch: 7, Train_acc:56.2%, Train_loss:0.677, Test_acc:53.0%, Test_loss:0.722, Lr:1.00E-04Done
Epoch: 8, Train_acc:56.2%, Train_loss:0.675, Test_acc:53.0%, Test_loss:0.722, Lr:1.00E-04Done
Epoch: 9, Train_acc:56.2%, Train_loss:0.672, Test_acc:53.0%, Test_loss:0.721, Lr:1.00E-04Done
Epoch:10, Train_acc:56.5%, Train_loss:0.670, Test_acc:53.0%, Test_loss:0.720, Lr:1.00E-04Done
Epoch:11, Train_acc:57.0%, Train_loss:0.666, Test_acc:53.5%, Test_loss:0.719, Lr:1.00E-04Done
Epoch:12, Train_acc:57.6%, Train_loss:0.661, Test_acc:54.5%, Test_loss:0.716, Lr:1.00E-04Done
Epoch:13, Train_acc:58.5%, Train_loss:0.655, Test_acc:55.4%, Test_loss:0.713, Lr:1.00E-04Done
Epoch:14, Train_acc:61.3%, Train_loss:0.648, Test_acc:55.9%, Test_loss:0.710, Lr:1.00E-04Done
Epoch:15, Train_acc:63.2%, Train_loss:0.640, Test_acc:58.4%, Test_loss:0.702, Lr:1.00E-04Done
Epoch:16, Train_acc:65.5%, Train_loss:0.631, Test_acc:58.4%, Test_loss:0.699, Lr:1.00E-04Done
Epoch:17, Train_acc:65.2%, Train_loss:0.623, Test_acc:57.9%, Test_loss:0.696, Lr:1.00E-04Done
Epoch:18, Train_acc:67.0%, Train_loss:0.614, Test_acc:57.9%, Test_loss:0.698, Lr:1.00E-04Done
Epoch:19, Train_acc:67.0%, Train_loss:0.604, Test_acc:58.9%, Test_loss:0.693, Lr:1.00E-04Done
Epoch:20, Train_acc:69.5%, Train_loss:0.591, Test_acc:59.4%, Test_loss:0.685, Lr:1.00E-04Done
Epoch:21, Train_acc:71.4%, Train_loss:0.579, Test_acc:56.9%, Test_loss:0.679, Lr:1.00E-04Done
Epoch:22, Train_acc:72.3%, Train_loss:0.565, Test_acc:58.4%, Test_loss:0.671, Lr:1.00E-04Done
Epoch:23, Train_acc:74.4%, Train_loss:0.551, Test_acc:58.4%, Test_loss:0.668, Lr:1.00E-04Done
Epoch:24, Train_acc:75.0%, Train_loss:0.537, Test_acc:61.9%, Test_loss:0.650, Lr:1.00E-04Done
Epoch:25, Train_acc:75.2%, Train_loss:0.524, Test_acc:59.4%, Test_loss:0.652, Lr:1.00E-04Done
Epoch:26, Train_acc:75.9%, Train_loss:0.512, Test_acc:58.9%, Test_loss:0.643, Lr:1.00E-04Done
Epoch:27, Train_acc:77.9%, Train_loss:0.498, Test_acc:62.9%, Test_loss:0.636, Lr:1.00E-04Done
Epoch:28, Train_acc:77.4%, Train_loss:0.488, Test_acc:62.4%, Test_loss:0.652, Lr:1.00E-04Done
Epoch:29, Train_acc:79.2%, Train_loss:0.477, Test_acc:63.9%, Test_loss:0.624, Lr:1.00E-04Done
Epoch:30, Train_acc:79.7%, Train_loss:0.464, Test_acc:61.9%, Test_loss:0.635, Lr:1.00E-04Done 9.模型评估
warnings.filterwarnings(ignore) #忽略警告信息
plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签
plt.rcParams[axes.unicode_minus] False # 用来正常显示负号
plt.rcParams[figure.dpi] 100 #分辨率from datetime import datetime
current_time datetime.now() # 获取当前时间epochs_range range(epochs)plt.figure(figsize(12, 5))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, labelTraining Accuracy)
plt.plot(epochs_range, test_acc, labelTest Accuracy)
plt.legend(loclower right)
plt.title(Training and Validation Accuracy)
plt.xlabel(current_time) # 打卡请带上时间戳否则代码截图无效
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, labelTraining Loss)
plt.plot(epochs_range, test_loss, labelTest Loss)
plt.legend(locupper right)
plt.title(Training and Validation Loss)
plt.show()
