【实测】小白一看就学会的python的AI模型torch（中）_从零开始使用pytorch训练一个简单的ai预测模型

上节文章我们搞定了一个最简单的预测，那么本节我们来提高难度：

看下我假设的这个场景：

预测一对夫妻结婚多久才能生娃，生的什么娃？结婚多久才能买房，买的什么房？

这个问题中，明显要比之前的复杂很多，上节就是一个人来预测结婚年龄等。这节课，是俩个人的信息来预测，而且预测的事呢，虽然还是俩件，但是每件里都要有更详细的信息。

来看我准备的一个测试输入数据：

这是一对夫妻的个人数据，俩个人在一起就是一个二维列表了：

[[1, 174, 33, 900, 1], [2, 164, 21, 100, 3]]   

---

然后是他们的结果输出数据：

[[2,1,5],[4,1,120]]  

含义：

[[结婚两年，男孩，5斤],[结婚4年，楼房，120平]]

---

好，注意看，这只是一对夫妻的数据，就已经是一个二维列表了，如果我们要拿出很多对夫妻的话，那么这个输入和输出数据，都会变成三维的！

在python的AI库torch的官方教程中是明确可以支持多维度数据的。所以应该可以继续使用。那么代码中get_test_data就要变成如下的：

如图，in_data和out_data都变成三维的了！

如果我们不改变make_AI函数，直接训练那么结果如下：

原因很简单，这些测试数据和咱们的模型是不匹配的。

经过调整，代码改成如下：

import torchimport torch.nn as nnimport torch.optim as optim

# 自定义的WQRF模型class WQRF(nn.Module):    def __init__(self, input_features=5, hidden_features=16, output_features=3):        super(WQRF, self).__init__()        # 输入层，假设每个样本有两个5维特征向量        self.fc1 = nn.Linear(input_features * 2, hidden_features)        self.relu = nn.ReLU()        # 输出层，假设每个样本有两个3维输出向量        self.fc2 = nn.Linear(hidden_features, output_features * 2)
    def forward(self, x):        # 展平输入，每个样本的两个5维特征向量变为10维        x = x.view(x.size(0), -1)        x = self.fc1(x)        x = self.relu(x)        x = self.fc2(x)        # 重塑输出，每个样本的6维输出变为两个3维向量        x = x.view(x.size(0), 2, -1)        return x
    # 获取测试数据的函数

def get_test_data():    in_data = torch.tensor([        [[1, 174, 33, 900, 1], [2, 164, 21, 100, 3]],        [[2, 144, 23, 100, 2], [1, 154, 31, 150, 1]]    ], dtype=torch.float32)    out_data = torch.tensor([        [[2, 1, 5], [4, 1, 120]],        [[5, 2, 6], [10, 1, 50]]    ], dtype=torch.float32)    return in_data, out_data

# 示例的make_AI函数，用于训练和保存模型def make_AI():    # 创建WQRF模型实例    wqrf = WQRF()
    # 定义损失函数和优化器    criterion = nn.MSELoss()    optimizer = optim.SGD(wqrf.parameters(), lr=0.01)
    # 获取测试数据    in_data, out_data = get_test_data()
    # 训练过程    for i in range(10000):        optimizer.zero_grad()        outputs = wqrf(in_data)  # 前向传播        loss = criterion(outputs.view(-1, 3), out_data.view(-1, 3))  # 计算损失，需要展平输出和真实值        loss.backward()  # 反向传播        optimizer.step()  # 更新权重
        # 打印损失        print('Loss:', loss.item())
    # 保存模型（如果需要）    torch.save(wqrf.state_dict(), 'WQRF_AI.pt')

其中在WQRF模型基本结构中，对输入和输出数据进行了重构降维和展平，让其的形状能互相匹配上。这一步是有规则的，如果匹配不上就是保错。当然下面的make_AI函数要进行相应的更改。然后还是要训练10000次！

训练结果的损失最终稳定在了206

如果我们想看看更详细的：

那就在循环里加上这句：

print('【预期输出】:\n%s\n【实际最后输出】:\n%s\n【指标误差】:\n%s' % (out_data.numpy(), outputs.detach().numpy(), loss.item()))

最后一次的结果如下：

因为中间节点才16个，加上测试数据只有3个，所以也就能预测到这个级别了。想更精准，就要继续加数据！加节点！

然后就是使用这个模型来预测新的数据喽！

这次的play_AI函数，要写的更专业更复杂一点了哦~ 因为中间有涉及到要给结果进行重塑的过程，还是有点烧脑的。

def play_AI(model_path, new_data):    # 实例化模型    wqrf = WQRF()
    # 加载模型参数    wqrf.load_state_dict(torch.load(model_path, map_location=torch.device('cpu')))
    # 评估模式（关闭dropout和batch normalization的训练时行为）    wqrf.eval()
    # 假设new_data是一个包含新数据的列表，每个元素是两个特征向量的列表    new_data_tensor = torch.tensor(new_data, dtype=torch.float32)
    # 如果在GPU上训练，则需要将模型和数据移到GPU上    # 这里假设我们在CPU上运行    device = torch.device('cpu')    wqrf.to(device)    new_data_tensor = new_data_tensor.to(device)
    # 添加一个batch维度（如果需要的话）    if len(new_data_tensor.shape) == 2:        new_data_tensor = new_data_tensor.unsqueeze(0)
        # 重塑输入数据以匹配模型的输入要求（假设每个样本有两个特征向量）    new_data_tensor = new_data_tensor.view(new_data_tensor.size(0), -1)
    # 进行预测    with torch.no_grad():  # 关闭梯度计算        predictions = wqrf(new_data_tensor)
        # 重塑预测结果以匹配每个样本有两个3维向量的输出    predictions = predictions.view(predictions.size(0), 2, -1)
    # 打印预测结果    print('预测结果:', predictions.detach().cpu().numpy())

# 示例新数据new_data = [ [[1, 180, 35, 850, 0.5], [2, 170, 25, 95, 2.8]]]
# 假设模型参数保存在'WQRF_AI.pt'文件中play_AI('WQRF_AI.pt', new_data)

我选了一个测试数据：

 [ [[1, 180, 35, 850, 1], [2, 170, 32, 555, 2]]]

结果为：

结果翻译过来就是：

结婚3年，生个男孩，5斤5两。结婚7年，买了楼房，85平米。

好，本节到此结束，欢迎继续期待下一节，点赞过百更新！

咨询加：qingwanjianhua