pytorch-RNN進行回歸曲線預測方式

更新時間：2020年01月14日 10:14:24 作者：馬飛飛

今天小編就為大家分享一篇pytorch-RNN進行回歸曲線預測方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

任務

通過輸入的sin曲線與預測出對應的cos曲線

#初始加載包 和定義參數(shù)
import torch
from torch import nn
import numpy as np
import matplotlib.pyplot as plt
 
torch.manual_seed(1) #為了可復現(xiàn)
 
#超參數(shù)設定
TIME_SETP=10
INPUT_SIZE=1
LR=0.02
DOWNLoad_MNIST=True

定義RNN網絡結構

from torch.autograd import Variable
class RNN(nn.Module):
  def __init__(self):
    #在這個函數(shù)中，兩步走，先init,再逐步定義層結構
    super(RNN,self).__init__()
    
    self.rnn=nn.RNN(  #定義32隱層的rnn結構
     input_size=1,  
     hidden_size=32, #隱層有32個記憶體
     num_layers=1,   #隱層層數(shù)是1
     batch_first=True 
    )
    
    self.out=nn.Linear(32,1) #32個記憶體對應一個輸出
  
  def forward(self,x,h_state):
    #前向過程，獲取 rnn網絡輸出r_put(注意這里r_out并不是最后輸出，最后要經過全連接層) 和 記憶體情況h_state
    r_out,h_state=self.rnn(x,h_state)    
    outs=[]#獲取所有時間點下得到的預測值
    for time_step in range(r_out.size(1)): #將記憶rnn層的輸出傳到全連接層來得到最終輸出。 這樣每個輸入對應一個輸出，所以會有長度為10的輸出
      outs.append(self.out(r_out[:,time_step,:]))
    return torch.stack(outs,dim=1),h_state #將10個數(shù) 通過stack方式壓縮在一起
 
rnn=RNN()
print('RNN的網絡體系結構為：',rnn)

創(chuàng)建數(shù)據(jù)集及網絡訓練

以sin曲線為特征，以cos曲線為標簽進行網絡的訓練

#定義優(yōu)化器和 損失函數(shù)
optimizer=torch.optim.Adam(rnn.parameters(),lr=LR)
loss_fun=nn.MSELoss()
h_state=None #記錄的隱藏層狀態(tài)，記住這就是記憶體，初始時候為空，之后每次后面的都會使用到前面的記憶，自動生成全0的
       #這樣加入記憶信息后，每次都會在之前的記憶矩陣基礎上再進行新的訓練，初始是全0的形式。
#啟動訓練，這里假定訓練的批次為100次
 
 
plt.ion() #可以設定持續(xù)不斷的繪圖，但是在這里看還是間斷的，這是jupyter的問題
for step in range(100):
  #我們以一個π為一個時間步  定義數(shù)據(jù)，
  start,end=step*np.pi,(step+1)*np.pi
  
  steps=np.linspace(start,end,10,dtype=np.float32) #注意這里的10并不是間隔為10，而是將數(shù)按范圍分成10等分了
  
  x_np=np.sin(steps)
  y_np=np.cos(steps)
  #將numpy類型轉成torch類型  *****當需要 求梯度時，一個 op 的兩個輸入都必須是要 Variable，輸入的一定要variable包下
  x=Variable(torch.from_numpy(x_np[np.newaxis,:,np.newaxis]))#增加兩個維度，是三維的數(shù)據(jù)。
  y=Variable(torch.from_numpy(y_np[np.newaxis,:,np.newaxis]))
  
  #將每個時間步上的10個值 輸入到rnn獲得結果   這里rnn會自動執(zhí)行forward前向過程. 這里輸入時10個，輸出也是10個，傳遞的是一個長度為32的記憶體
  predition,h_state=rnn(x,h_state)
  
  #更新新的中間狀態(tài)
  h_state=Variable(h_state.data)  #擦，這點一定要從新包裝
  loss=loss_fun(predition,y)
  #print('loss:',loss)
  optimizer.zero_grad()
  loss.backward()
  optimizer.step()
  
  
  # plotting  畫圖，這里先平展了 flatten，這樣就是得到一個數(shù)組，更加直接
  
  plt.plot(steps, y_np.flatten(), 'r-')
  plt.plot(steps, predition.data.numpy().flatten(), 'b-')
  #plt.draw(); 
  plt.pause(0.05)
 
plt.ioff() #關閉交互模式
plt.show()