Pytorch实战——气温预测（进阶）附完整代码_超市 温度 预测

一. 数据集

数据集在上一个博客中，若有需要自己取一下，若是过期可私信博主。

二. 优化学习过程

        在上一个博客当中，我们对于预测温度采用了最基础的方法，从而导致预测结果的不准确性，那这种方法预测出来的结果都是不准确的吗？这个答案是不一定的，预测的结果准确性在于数据集的选取，各种超参数的设置等，并不是我们可以片面决定的。在学习了Pytorch中nn模块之后，我将整体代码进行修改，最终的损失可以稳定在35左右，这对于温度这一不确定因素来说是较为准确的。

三.具体更改

 
input_size = input_data.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(reduction='mean')
optimizer = torch.optim.Adam(my_nn.parameters(),lr = 0.001) #优化器

1. ‘input_size = input_data.shape[1]’: 这里获取了‘input_data’数组的列数，也就是输入数据的特征数量。‘input_size’变量将被用于定义输入层的大小。

2. ’hidden_size = 128‘: 这里设置了隐藏层的大小（神经元数量）。隐藏层是位于输入层和输出层之间的一层神经元，用于提取输入数据的特征。

3. ’output_size = 1‘: 这里设置了输出层的大小。对于回归任务，输出层通常只有一个神经元，用于预测数值。

4. ‘batch_size = 16’: 这里定义了每个批次（batch）中的样本数量。批量训练可以提高训练效率，并且有助于更好地泛化。

5. ‘my_nn = torch.nn.Sequential(...)’: 这里构建了一个Sequential模型，它是一个容器，可以按照顺序添加各种层。这里Sequential模型包含三层：

   - 第一层是‘torch.nn.Linear(input_size, hidden_size)’，它是一个线性层（全连接层），将输入数据映射到隐藏层，并且使用Sigmoid激活函数。
   - 第二层是‘torch.nn.Sigmoid()’，它是一个激活函数层，用于引入非线性性。
   - 第三层是‘torch.nn.Linear(hidden_size, output_size)’，也是一个线性层，将隐藏层的输出映射到输出层。

6. ‘cost = torch.nn.MSELoss(reduction='mean')’: 这里定义了损失函数。MSELoss代表均方误差损失（Mean Squared Error Loss），在回归任务中用于衡量预测值与实际值之间的差异。

7. ‘optimizer = torch.optim.Adam(my_nn.parameters(), lr=0.001)’: 这里创建了优化器对象。Adam是一种随机梯度下降优化算法，在训练过程中用于更新神经网络的参数，以最小化损失函数。

这里所设置的各种超参数、优化器、损失函数都进行了解释，请大家仔细阅读

#开始训练
losses = [] #给损失值创建一个数组，方便储存，后续可用根据其进行绘图
for i in range(1000):
    batch_loss = []
    for start in range(0,len(input_data),batch_size):
        end = start + batch_size if start +batch_size < len(input_data) else len(input_data)
        xx = torch.tensor(input_data[start:end], dtype=torch.float,requires_grad=True)
        yy = torch.tensor(labels[start:end], dtype=torch.float, requires_grad=True)
        prediction = my_nn(xx)
        loss = cost(prediction,yy)
        optimizer.zero_grad()
        loss.backward(retain_graph = True)
        optimizer.step()
        batch_loss.append(loss.data.numpy())
    #打印损失
    if i % 100 == 0:
        losses.append(np.mean(batch_loss))
        print(i,np.mean(batch_loss))

接下来就是训练过程，值得注意的是：我们需要将数据转换成Pytorch所用的tensor张量格式

 可以看到这时损失达到35左右，可以证明该网络结构较上一节的网络结构得到了很大程度的优化

四. 绘图

x = torch.tensor(input_data,dtype= torch.float)
predict = 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 ]
true_data = pd.DataFrame(data = {'date':dates , 'actual':labels})
months = data[:, data_list.index('month')]
days = data[:, data_list.index('day')]
years = data[:, data_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]
 
predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)})
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
#真实值
plt.plot(true_data['date'],true_data['actual'],'b-',label = 'actual')
#预测值
plt.plot(predictions_data['date'],predictions_data['prediction'],'ro',label= 'prediction')
plt.xticks(rotation ="60");
plt.legend()
#图名
plt.xlabel('Date');
plt.ylabel('Maximum Temperature(华氏度)');
plt.title('真实值与预测值')
plt.show()

绘图操作是基本的matplotlib语法，这里不做过多解释，值得注意的是：需要将数据集当中的日期格式进行转化，这里可以参考上述代码，只有这样才可以使得机器认识并且进行学习。

结果如上，可以看到，该预测结果基本可以正确描述出温度的变化曲线，也就证明了此时的预测模型较为可靠！

谢谢观看~~