第10章 航班乘客數(shù)預(yù)測(cè)

第10章航班乘客數(shù)預(yù)測(cè)第10章航班乘客數(shù)預(yù)測(cè)10.1PyTorch簡(jiǎn)介10.2安裝PyTorch10.3導(dǎo)入相關(guān)庫(kù)10.4PyTorch基礎(chǔ)知識(shí)10.5讀取數(shù)據(jù)10.6數(shù)據(jù)預(yù)處理10.7定義網(wǎng)絡(luò)模型10.8定義損失函數(shù)和優(yōu)化器10.9訓(xùn)練模型10.10測(cè)試模型第10章航班乘客數(shù)預(yù)測(cè)10.1PyTorch簡(jiǎn)介PyTorch是由Facebook開發(fā)，基于Torch開發(fā)，從并不常用的Lua語言轉(zhuǎn)為Python語言開發(fā)的深度學(xué)習(xí)框架，可以用于構(gòu)建深度神經(jīng)網(wǎng)絡(luò)。Pytorch是一個(gè)基于Python的科學(xué)計(jì)算庫(kù)，它面向以下兩種人群：希望將其代替Numpy來利用GPUs的威力；一個(gè)可以提供更加靈活和快速的深度學(xué)習(xí)研究平臺(tái)。第10章航班乘客數(shù)預(yù)測(cè)10.2安裝PyTorchPyTorch的安裝可以直接查看官網(wǎng)教程，如下所示，官網(wǎng)地址：/get-started/locally/第10章航班乘客數(shù)預(yù)測(cè)10.2安裝PyTorch第10章航班乘客數(shù)預(yù)測(cè)10.3導(dǎo)入相關(guān)庫(kù)import

torchimport

torch.nn

as

nn

import

numpy

as

npimport

matplotlib.pyplot

as

pltplt.rcParams['font.sans-serif']=['simsun']

#設(shè)置加載的字體名plt.rcParams['axes.unicode_minus']=False

#解決保存圖像是負(fù)號(hào)'-'顯示為方塊的問題第10章航班乘客數(shù)預(yù)測(cè)10.4PyTorch基礎(chǔ)知識(shí)10.4.1張量（1）創(chuàng)建一個(gè)張量x=torch.Tensor([1,2,3])

#創(chuàng)建一個(gè)1維張量y=torch.Tensor([[1,2],[3,4]])

#創(chuàng)建一個(gè)2維張量z=torch.Tensor([[[1,2],[3,4]],[[5,6],[7,8]]])

#創(chuàng)建一個(gè)3維張量xyz輸出結(jié)果：第10章航班乘客數(shù)預(yù)測(cè)10.4PyTorch基礎(chǔ)知識(shí)10.4.1張量（2）張量的形狀z.shape

#獲取張量的形狀z.size()

#獲取張量的形狀z.view(2,4)

#改變張量的形狀，2行，4列z.reshape(1,8)

#改變張量的形狀，1行，8列z.resize_(2,4)

#直接修改原始張量的形狀，2行，4列輸出結(jié)果：第10章航班乘客數(shù)預(yù)測(cè)10.4PyTorch基礎(chǔ)知識(shí)10.4.2自動(dòng)微分PyTorch提供了自動(dòng)微分功能，可以自動(dòng)計(jì)算梯度，這使得模型訓(xùn)練更加容易。我們使用torch.tensor()來定義張量，然后使用.backward()函數(shù)計(jì)算梯度。x=torch.tensor(2.0,requires_grad=True)#定義張量x，并將requires_grad設(shè)置為True，以便PyTorch跟蹤它的計(jì)算歷史y=x**2

#定義新的張量y，它是x的平方y(tǒng).backward()#調(diào)用y.backward()來計(jì)算y相對(duì)于x的導(dǎo)數(shù)x.grad

#打印出結(jié)果為tensor(4.)第10章航班乘客數(shù)預(yù)測(cè)10.4PyTorch基礎(chǔ)知識(shí)10.4.3神經(jīng)網(wǎng)絡(luò)PyTorch提供了torch.nn模塊，可以幫助開發(fā)者更輕松地構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型?？梢允褂胻orch.nn.Module()類定義神經(jīng)網(wǎng)絡(luò)模型，然后使用torch.optim優(yōu)化器進(jìn)行訓(xùn)練。10.4.4數(shù)據(jù)加載PyTorch提供了torch.utils.data模塊，可以幫助開發(fā)者更輕松地加載和處理數(shù)據(jù)?？梢允褂胻orch.utils.data.Dataset()類定義數(shù)據(jù)集，然后使用torch.utils.data,DataLoader()函數(shù)加載數(shù)據(jù)。10.4.5GPU加速PyTorch可以使用GPU加速，可以使用torch.cuda模塊將張量和模型移動(dòng)到GPU上運(yùn)行。第10章航班乘客數(shù)預(yù)測(cè)10.5讀取數(shù)據(jù)with

open("data\international-airline-passengers.csv","r",encoding="utf-8")asf:

next(f)#跳過第1行

data_csv=f.read()

#將文件內(nèi)容讀取到變量data中data=[row.split(',')forrowin

data_csv.split("\n")]#將字符串變量data_csv中的每一行按逗號(hào)分隔并返回一個(gè)列表。這個(gè)列表包含了每一行的元素。passengers=[int(each[1])foreachindata]#將列表變量data中的每個(gè)元素的第二個(gè)字符轉(zhuǎn)換為整數(shù)并返回一個(gè)新的列表。Passengers#打印前10個(gè)月中每月的航班乘客數(shù)輸出結(jié)果：第10章航班乘客數(shù)預(yù)測(cè)10.6數(shù)據(jù)預(yù)處理接下來，我們首先使用滑動(dòng)窗口方法創(chuàng)建基于航班乘客數(shù)的時(shí)間序列數(shù)據(jù)。然后，將序列數(shù)據(jù)轉(zhuǎn)換成滿足模型輸入要求的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。這樣，我們就可以使用前2天的航班乘客數(shù)來預(yù)測(cè)第3天的航班乘客數(shù)。第10章航班乘客數(shù)預(yù)測(cè)10.7定義網(wǎng)絡(luò)模型class

Net(nn.Module):

#初始化函數(shù)，定義網(wǎng)絡(luò)結(jié)構(gòu)

def

__init__(self):

#調(diào)用父類的初始化函數(shù)

super(Net,self).__init__()

#定義一個(gè)LSTM層，輸入特征為1（只有乘客數(shù)），隱藏狀態(tài)大小為32，層數(shù)為1，batch_first為True

self.lstm=nn.LSTM(input_size=1,hidden_size=32,num_layers=1,batch_first=True)

#定義一個(gè)線性層，將32*seq_len個(gè)輸入特征映射到1個(gè)輸出特征（預(yù)測(cè)下一月乘客數(shù)）

self.linear=nn.Linear(32*seq_len,1)

#前向傳播函數(shù)

def

forward(self,input):

#將輸入input輸入到LSTM層中，得到輸出結(jié)果lstm_out，隱藏狀態(tài)h和單元狀態(tài)c

lstm_out,(h,c)=self.lstm(input)

#將lstm_out進(jìn)行reshape，變成一個(gè)形狀為(-1,32*seq_len)的張量

x=lstm_out.reshape(-1,32*seq_len)

#將x輸入到線性層中，得到輸出pred

pred=self.linear(x)

#返回輸出pred

return

pred第10章航班乘客數(shù)預(yù)測(cè)10.8定義損失函數(shù)和優(yōu)化器model=Net()#定義一個(gè)Adam優(yōu)化器，用于更新模型參數(shù)，學(xué)習(xí)率為0.003optimizer=torch.optim.Adam(model.parameters(),lr=0.003)#定義一個(gè)均方誤差損失函數(shù)，用于計(jì)算模型預(yù)測(cè)值與真實(shí)值之間的誤差loss_fun=nn.MSELoss()第10章航班乘客數(shù)預(yù)測(cè)10.9訓(xùn)練模型#將模型設(shè)置為訓(xùn)練模式model.train()#進(jìn)行300輪訓(xùn)練for

epoch

in

range(300):

#將訓(xùn)練數(shù)據(jù)train_x輸入到模型中，得到模型的輸出output

output=model(train_x)

#計(jì)算模型輸出output與訓(xùn)練標(biāo)簽train_y之間的均方誤差損失

loss=loss_fun(output,train_y)

#將優(yōu)化器的梯度清零

optimizer.zero_grad()

#反向傳播計(jì)算梯度

loss.backward()

#使用優(yōu)化器更新模型參數(shù)

optimizer.step()

#每20輪輸出一次訓(xùn)練損失和測(cè)試損失

if

epoch%20==0

and

epoch>0:

#將測(cè)試數(shù)據(jù)test_x輸入到模型中，得到模型的輸出output

#計(jì)算模型輸出output與測(cè)試標(biāo)簽test_y之間的均方誤差損失

test_loss=loss_fun(model(test_x),test_y)

#輸出當(dāng)前輪數(shù)、訓(xùn)練損失和測(cè)試損失

print("epoch:{},loss:{},test_loss:{}".format(epoch,loss,test_loss))第10章航班乘客數(shù)預(yù)測(cè)10.9訓(xùn)練模型第10章航班乘客數(shù)預(yù)測(cè)10.10測(cè)試模型第10章航班乘客數(shù)預(yù)測(cè)10.10測(cè)試模型#將模型設(shè)置為評(píng)估模式model.eval()#構(gòu)造預(yù)測(cè)結(jié)果result=X[0][:seq_len-1]