本文參加新星計(jì)劃人工智能(Pytorch)賽道：https://bbs.csdn.net/topics/613989052

一、Pytorch簡(jiǎn)介

PyTorch是一個(gè)基于python的科學(xué)計(jì)算包，主要針對(duì)兩類人群：

• 作為NumPy的替代品，可以利用GPU的性能進(jìn)行計(jì)算
• 作為一個(gè)高靈活性、速度快的深度學(xué)習(xí)平臺(tái)

在PyTorch中搭建神經(jīng)網(wǎng)絡(luò)并使用真實(shí)的天氣信息預(yù)測(cè)明天是否會(huì)下雨。

• 預(yù)處理 CSV 文件并將數(shù)據(jù)轉(zhuǎn)換為張量
• 使用 PyTorch 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
• 使用損失函數(shù)和優(yōu)化器來(lái)訓(xùn)練模型
• 評(píng)估模型并了解分類不平衡的危害

在開(kāi)始構(gòu)建神經(jīng)網(wǎng)絡(luò)之前，首先了解一下幾個(gè)重要概念。

torch.Tensor
一個(gè)多維數(shù)組，支持諸如backward()等的自動(dòng)求導(dǎo)操作，同時(shí)也保存了張量的梯度。

nn.Module
神經(jīng)網(wǎng)絡(luò)模塊。是一種方便封裝參數(shù)的方式，具有將參數(shù)移動(dòng)到GPU、導(dǎo)出、加載等功能。

nn.Parameter
張量的一種，當(dāng)它作為一個(gè)屬性分配給一個(gè)Module時(shí)，它會(huì)被自動(dòng)注冊(cè)為一個(gè)參數(shù)。

autograd.Function
實(shí)現(xiàn)了自動(dòng)求導(dǎo)前向和反向傳播的定義，每個(gè)Tensor至少創(chuàng)建一個(gè)Function節(jié)點(diǎn)，該節(jié)點(diǎn)連接到創(chuàng)建Tensor的函數(shù)并對(duì)其歷史進(jìn)行編碼。

 二、實(shí)驗(yàn)過(guò)程

2.1數(shù)據(jù)集介紹

數(shù)據(jù)集包含來(lái)自多個(gè)澳大利亞氣象站的每日天氣信息。本次目標(biāo)是要回答一個(gè)簡(jiǎn)單的問(wèn)題：明天會(huì)下雨嗎？

2.2加載數(shù)據(jù)

首先導(dǎo)入本次實(shí)驗(yàn)用到的第三方庫(kù)

import torch
 
import os
import numpy as np
import pandas as pd
from tqdm import tqdm
import seaborn as sns
from pylab import rcParams
import matplotlib.pyplot as plt
from matplotlib import rc
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, classification_report
from torch import nn, optim
import torch.nn.functional as F
 
%matplotlib inline
%config InlineBackend.figure_format='retina'
 
sns.set(style='whitegrid', palette='muted', font_scale=1.2)
HAPPY_COLORS_PALETTE = ["#01BEFE", "#FFDD00", "#FF7D00", "#FF006D", "#93D30C", "#8F00FF"]
sns.set_palette(sns.color_palette(HAPPY_COLORS_PALETTE))
rcParams['figure.figsize'] = 12, 6
RANDOM_SEED = 42
np.random.seed(RANDOM_SEED)
torch.manual_seed(RANDOM_SEED)

接下來(lái)先通過(guò)Pandas讀取導(dǎo)入數(shù)據(jù)集

df = pd.read_csv('./data/weatherAUS.csv')
df.head()

這里有很多特征列。也有很多NaN。下面來(lái)看看整體數(shù)據(jù)集大小。

df.shape

(145460, 23)

從數(shù)據(jù)集形狀看，這里數(shù)據(jù)還不少，超過(guò)14.5w條數(shù)據(jù)。

2.3數(shù)據(jù)預(yù)處理 

        在數(shù)據(jù)預(yù)處理這，我們并不希望數(shù)據(jù)集和目標(biāo)問(wèn)題有多復(fù)雜，嘗試將通過(guò)刪除大部分?jǐn)?shù)據(jù)來(lái)簡(jiǎn)化這個(gè)問(wèn)題。這里只使用4個(gè)特征來(lái)預(yù)測(cè)明天是否會(huì)下雨。在你實(shí)際案例中，根據(jù)實(shí)際問(wèn)題，特征數(shù)量可以比這多，也可以比這少，只要注意下面輸入數(shù)據(jù)維度即可。

cols = ['Rainfall', 'Humidity3pm', 'Pressure9am', 'RainToday', 'RainTomorrow']
df = df[cols]

2.3.1特征轉(zhuǎn)換

因?yàn)樯窠?jīng)網(wǎng)絡(luò)只能處理數(shù)字。所以我們將把文字的 yes 和 no 分別轉(zhuǎn)換為數(shù)字1 和 0。

df['RainToday'].replace({'No': 0, 'Yes': 1}, inplace = True)
df['RainTomorrow'].replace({'No': 0, 'Yes': 1}, inplace = True)

2.3.2缺失值處理

刪除缺少值的行。也許會(huì)有更好的方法來(lái)處理這些缺失的行，但我們這里將簡(jiǎn)單地處理，直接刪除含有缺失值的行。

df = df.dropna(how='any')
df.head()

 2.3.3樣本不平衡處理

到目前為止，我們有了一個(gè)可以使用的數(shù)據(jù)集。這里我們需要回答的一個(gè)重要問(wèn)題是 -- 我們的數(shù)據(jù)集是否平衡? 或者 明天到底會(huì)下多少次雨?

因此通過(guò)sns.countplot函數(shù)直接定性分析整個(gè)樣本集中是否下雨分別多少次，以此判斷正負(fù)樣本（是否有雨）是否平衡。

sns.countplot(df.RainTomorrow);

 從結(jié)果看，下雨次數(shù)明顯比不下雨次數(shù)要少很多。再通過(guò)具體定量計(jì)算正負(fù)樣本數(shù)。

df.RainTomorrow.value_counts() / df.shape[0]

0.0 0.778762
1.0 0.221238
Name: RainTomorrow, dtype: float64

事情看起來(lái)不妙。約78%的數(shù)據(jù)點(diǎn)表示明天不會(huì)下雨。這意味著一個(gè)預(yù)測(cè)明天是否下雨的模型在78%的時(shí)間里是正確的。

如果想要解決此次樣本不平衡可以采用欠采樣或過(guò)采樣處理，以緩解其帶來(lái)的影響，我們暫不做任何處理，但愿他對(duì)結(jié)果影響不大。

2.4特征工程

2.4.1劃分訓(xùn)練集和測(cè)試集

數(shù)據(jù)預(yù)處理的最后一步是將數(shù)據(jù)分割為訓(xùn)練集和測(cè)試集。這一步大家應(yīng)該并不陌生，可以直接使用train_test_split()。

X = df[['Rainfall', 'Humidity3pm', 'RainToday', 'Pressure9am']]
y = df[['RainTomorrow']]
 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=RANDOM_SEED)

2.4.2數(shù)據(jù)類型轉(zhuǎn)換

為了符合 PyTorch 所需求的數(shù)據(jù)類型。使用 python標(biāo)準(zhǔn)庫(kù)將數(shù)據(jù)加載到numpy數(shù)組里。然后將這個(gè)數(shù)組轉(zhuǎn)化成將全部數(shù)據(jù)轉(zhuǎn)換為張量(torch.Tensor)。

注意：Torch張量和NumPy數(shù)組將共享它們的底層內(nèi)存位置，因此當(dāng)一個(gè)改變時(shí)，另外也會(huì)改變。

X_train.head()

 PyTorch中也是非常方便，直接通過(guò)from_numpy直接轉(zhuǎn)換。

X_train = torch.from_numpy(X_train.to_numpy()).float()
y_train = torch.squeeze(torch.from_numpy(y_train.to_numpy()).float())
 
X_test = torch.from_numpy(X_test.to_numpy()).float()
y_test = torch.squeeze(torch.from_numpy(y_test.to_numpy()).float())
 
print(X_train.shape, y_train.shape)
print(X_test.shape, y_test.shape)

torch.Size([99751, 4]) torch.Size([99751])
torch.Size([24938, 4]) torch.Size([24938])

到目前為止，所有數(shù)據(jù)準(zhǔn)備工作已經(jīng)結(jié)束。

2.5構(gòu)建模型

        接下來(lái)我們將使用PyTorch建立一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)(NN)，嘗試預(yù)測(cè)明天是否會(huì)下雨。本次構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為三個(gè)層，輸入層、輸出層和隱藏層。

輸入層： 我們的輸入包含四列數(shù)據(jù)："Rainfall, Humidity3pm, RainToday, Pressure9am"（降雨量，濕度下午3點(diǎn)，今天下雨，壓力上午9點(diǎn)）。將為此創(chuàng)建一個(gè)適當(dāng)?shù)妮斎雽印?/p>

輸出層： 輸出將是一個(gè)介于 0 和 1 之間的數(shù)字，代表模型認(rèn)為明天下雨的可能性。預(yù)測(cè)將由網(wǎng)絡(luò)的輸出層提供給我們。

隱藏層： 將在輸入層和輸出層之間添加兩個(gè)隱藏層。這些層的參數(shù)（神經(jīng)元）將決定最終輸出。所有層都將是全連接的，即全連接層。

一個(gè)神經(jīng)網(wǎng)絡(luò)的典型訓(xùn)練過(guò)程如下：

• 定義包含一些可學(xué)習(xí)參數(shù)(或者叫權(quán)重）的神經(jīng)網(wǎng)絡(luò)
• 在輸入數(shù)據(jù)集上迭代
• 通過(guò)網(wǎng)絡(luò)處理輸入
• 計(jì)算loss(輸出和正確答案的距離）
• 將梯度反向傳播給網(wǎng)絡(luò)的參數(shù)
• 更新網(wǎng)絡(luò)的權(quán)重，一般使用一個(gè)簡(jiǎn)單的規(guī)則：weight = weight - learning_rate * gradient

        可以使用torch.nn包來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò)。即使用 PyTorch 構(gòu)建神經(jīng)網(wǎng)絡(luò)的一種簡(jiǎn)單方法是創(chuàng)建一個(gè)繼承自 torch.nn.Module 的類。

        這里將nn.Module子類化(它本身是一個(gè)類并且能夠跟蹤狀態(tài)）。在這種情況下，我們要?jiǎng)?chuàng)建一個(gè)類，該類包含前進(jìn)步驟的權(quán)重，偏差和方法。nn.Module具有許多我們將要使用的屬性和方法(例如.parameters()和.zero_grad())。

class Net(nn.Module):
 
    def __init__(self, n_features):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(n_features, 5)
        self.fc2 = nn.Linear(5, 3)
        self.fc3 = nn.Linear(3, 1)
 
    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        return torch.sigmoid(self.fc3(x))

 我們只需要定義 forward 函數(shù)，backward函數(shù)會(huì)在使用autograd時(shí)自動(dòng)定義，backward函數(shù)用來(lái)計(jì)算導(dǎo)數(shù)。我們可以在 forward 函數(shù)中使用任何針對(duì)張量的操作和計(jì)算。

2.5.1可視化神經(jīng)元

這里的可視化神經(jīng)元主要基于https://github.com/Prodicode/ann-visualizer

net = Net(X_train.shape[1])
# pip install graphviz
# mac上安裝graphviz 需要用 brew install graphviz 
ann_viz(net, view=True)

我們首先在構(gòu)造函數(shù)中創(chuàng)建模型的層。forward()方法是奇跡發(fā)生的地方。它接受輸入  并允許它流過(guò)每一層。有一個(gè)相應(yīng)的由PyTorch定義到向后傳遞backward()方法，它允許模型從當(dāng)前發(fā)生的誤差中學(xué)習(xí)，并修正模型參數(shù)。

2.5.2激活函數(shù)

        細(xì)心的小伙伴可能會(huì)注意到構(gòu)建的神經(jīng)網(wǎng)絡(luò)中調(diào)用 F.relu 和 torch.sigmoid 。這些是激活函數(shù)，那我們?yōu)槭裁葱枰@些？

        神經(jīng)網(wǎng)絡(luò)的一個(gè)很酷的特性是它們可以近似非線性函數(shù)。事實(shí)上，已經(jīng)證明它們可以逼近任何函數(shù)。不過(guò)，如果想通過(guò)堆疊線性層來(lái)逼近非線性函數(shù)，此時(shí)就需要激活函數(shù)。激活函數(shù)可以讓神經(jīng)網(wǎng)絡(luò)擺脫線性世界并學(xué)習(xí)更多。通常將其應(yīng)用于某個(gè)層的輸出。

ReLU

從最廣泛使用的激活函數(shù)之一的 ReLU 定義開(kāi)始：

 該激活函數(shù)簡(jiǎn)單易行，其結(jié)果就是輸入值與零比較，得到的最大值。

從可視化結(jié)果看

ax = plt.gca()
plt.plot(
  np.linspace(-1, 1, 5), 
  F.relu(torch.linspace(-1, 1, steps=5)).numpy()
)
ax.set_ylim([-1.5, 1.5]);

 Sigmoid

它被定義為：

 當(dāng)需要進(jìn)行二元決策 / 分類（回答yes或no）時(shí)，sigmoid 函數(shù)是很有用的。sigmoid 以一種超級(jí)的方式將輸入值壓縮在 0 和 1 之間。

從可視化結(jié)果看

ax = plt.gca()
 
plt.plot(
  np.linspace(-10, 10, 100), 
  torch.sigmoid(torch.linspace(-10, 10, steps=100)).numpy()
)
ax.set_ylim([-0.5, 1.5]);

2.5.3訓(xùn)練神經(jīng)網(wǎng)絡(luò) 

        目前為止，我們已經(jīng)看到了如何定義網(wǎng)絡(luò)，接下來(lái)需要找到預(yù)測(cè)明天是否會(huì)下雨的參數(shù)。即需要找到該模型應(yīng)用于此次問(wèn)題的最佳參數(shù)。而要想做到這點(diǎn)，首先需要一些評(píng)價(jià)指標(biāo)來(lái)告訴我們，該模型目前做得有多好。接下來(lái)需要計(jì)算損失，并更新網(wǎng)絡(luò)的權(quán)重。

損失函數(shù)

一個(gè)損失函數(shù)接受一對(duì)(output, target)作為輸入，計(jì)算一個(gè)值來(lái)估計(jì)網(wǎng)絡(luò)的輸出和目標(biāo)值相差多少。BCELoss是一個(gè)損失函數(shù)，其度量?jī)蓚€(gè)向量之間的差。

criterion = nn.BCELoss()

而在我們的例子中，這兩個(gè)向量即是我們的模型的預(yù)測(cè)和實(shí)際值。該損失函數(shù)的期望值由 sigmoid 函數(shù)輸出。該值越接近 0，模型效果越好。

但是我們?nèi)绾握业阶钚』瘬p失函數(shù)的參數(shù)呢?

優(yōu)化器

        假設(shè)我們的神經(jīng)網(wǎng)絡(luò)的每個(gè)參數(shù)都是一個(gè)旋鈕。優(yōu)化器的工作是為每個(gè)旋鈕找到完美的位置，使損失接近0。實(shí)戰(zhàn)中，模型可能包含數(shù)百萬(wàn)甚至數(shù)十億個(gè)參數(shù)。有這么多旋鈕要轉(zhuǎn)，如果有一個(gè)高效的優(yōu)化器可以快速找到解決方案，那就完美了。而理想很豐滿，現(xiàn)實(shí)很骨感。深度學(xué)習(xí)中的優(yōu)化效果只能達(dá)到令人滿意的結(jié)果。在實(shí)踐中，可以提供可接受的準(zhǔn)確性的足夠好的參數(shù)，就應(yīng)該心滿意足了。在使用神經(jīng)網(wǎng)絡(luò)時(shí)，PyTorch中提供了許多經(jīng)過(guò)良好調(diào)試過(guò)的優(yōu)化器，可能希望使用各種不同的更新規(guī)則，如SGD、Nesterov-SGD、Adam、RMSProp等。雖然你可以從這些優(yōu)化器中選擇，一般情況下，首選的還是Adam。

optimizer = optim.Adam(net.parameters(), lr=0.001)

一個(gè)模型的可學(xué)習(xí)參數(shù)可以通過(guò)net.parameters()。

        自然地，優(yōu)化器需要輸入?yún)?shù)。第二個(gè)參數(shù)lr 是 learning rate (學(xué)習(xí)率)，這是要找到的最優(yōu)參數(shù)和到達(dá)最優(yōu)解的速度之間的權(quán)衡。而為此找到最優(yōu)解的方法或過(guò)程可能是黑魔法和大量的暴力“實(shí)驗(yàn)”。

在 GPU 上計(jì)算

        在 GPU 上進(jìn)行大規(guī)模并行計(jì)算是現(xiàn)代深度學(xué)習(xí)的推動(dòng)因素之一。為此，您將需要配置 NVIDIA GPU。如果你的設(shè)備上裝有GPU，PyTorch 中可以非常輕松地將所有計(jì)算傳輸?shù)?GPU。

       我們首先檢查 CUDA 設(shè)備是否可用。然后，我們將所有訓(xùn)練和測(cè)試數(shù)據(jù)傳輸?shù)皆撛O(shè)備。最后移動(dòng)模型和損失函數(shù)。張量可以使用.to方法移動(dòng)到任何設(shè)備(device）上。

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
 
X_train = X_train.to(device)
y_train = y_train.to(device)
 
X_test = X_test.to(device)
y_test = y_test.to(device)
 
net = net.to(device)
criterion = criterion.to(device)

尋找最優(yōu)參數(shù)

        擁有損失函數(shù)固然很好，追蹤模型的準(zhǔn)確性是一件更容易理解的事情，而一般通過(guò)定義準(zhǔn)確性來(lái)做模型評(píng)價(jià)。

def calculate_accuracy(y_true, y_pred):
    predicted = y_pred.ge(.5).view(-1)
    return (y_true == predicted).sum().float() / len(y_true)

        我們定義一個(gè)預(yù)值，將連續(xù)概率值轉(zhuǎn)換為二分類值。即將每個(gè)低于 0.5 的值轉(zhuǎn)換為 0，高于0.5的值設(shè)置為 1。最后計(jì)算正確值的百分比。所有的模塊都準(zhǔn)備好了，我們可以開(kāi)始訓(xùn)練我們的模型了。

def round_tensor(t, decimal_places=3):
    return round(t.item(), decimal_places)
 
for epoch in range(1000):    
    y_pred = net(X_train)
    y_pred = torch.squeeze(y_pred)
    train_loss = criterion(y_pred, y_train)
    
    if epoch % 100 == 0:
        train_acc = calculate_accuracy(y_train, y_pred)
 
        y_test_pred = net(X_test)
        y_test_pred = torch.squeeze(y_test_pred)
 
        test_loss = criterion(y_test_pred, y_test)
        test_acc = calculate_accuracy(y_test, y_test_pred)
        print(f'''epoch {epoch}
              Train set - loss: {round_tensor(train_loss)}, accuracy: {round_tensor(train_acc)}
              Test  set - loss: {round_tensor(test_loss)}, accuracy: {round_tensor(test_acc)}
              ''')
    
    optimizer.zero_grad()  # 清零梯度緩存
    train_loss.backward() # 反向傳播誤差
    optimizer.step()  # 更新參數(shù)
def round_tensor(t, decimal_places=3):
    return round(t.item(), decimal_places)
 
for epoch in range(1000):    
    y_pred = net(X_train)
    y_pred = torch.squeeze(y_pred)
    train_loss = criterion(y_pred, y_train)
    
    if epoch % 100 == 0:
        train_acc = calculate_accuracy(y_train, y_pred)
 
        y_test_pred = net(X_test)
        y_test_pred = torch.squeeze(y_test_pred)
 
        test_loss = criterion(y_test_pred, y_test)
        test_acc = calculate_accuracy(y_test, y_test_pred)
        print(f'''epoch {epoch}
              Train set - loss: {round_tensor(train_loss)}, accuracy: {round_tensor(train_acc)}
              Test  set - loss: {round_tensor(test_loss)}, accuracy: {round_tensor(test_acc)}
              ''')
    
    optimizer.zero_grad()  # 清零梯度緩存
    train_loss.backward() # 反向傳播誤差
    optimizer.step()  # 更新參數(shù)

        在訓(xùn)練期間，我們向模型傳輸數(shù)據(jù)共計(jì)10,000次。每次測(cè)量損失時(shí)，將誤差傳播到模型中，并要求優(yōu)化器找到更好的參數(shù)。用 zero_grad() 方法清零所有參數(shù)的梯度緩存，然后進(jìn)行隨機(jī)梯度的反向傳播。如果忽略了這一步，梯度將會(huì)累積，導(dǎo)致模型不可用。測(cè)試集上的準(zhǔn)確率為 83.4% 聽(tīng)起來(lái)挺合理，但可能要讓你失望了，這樣的結(jié)果并不是很理想，接下來(lái)看看是如何不合理。但首先我們需要學(xué)習(xí)如何保存和加載訓(xùn)練好的模型。

2.6保存模型

        訓(xùn)練一個(gè)好的模型可能需要很多時(shí)間。可能是幾周、幾個(gè)月甚至幾年。如果在訓(xùn)練過(guò)程了忘記保存，或不知道需要保存模型，這將會(huì)是非常痛苦的事情。因此這里需要確保我們知道如何保存寶貴的工作。其實(shí)保存很容易，但你不能忘記這件事。

MODEL_PATH = 'model.pth'  # 后綴名為 .pth
torch.save(net, MODEL_PATH) # 直接使用torch.save()函數(shù)即可

當(dāng)然恢復(fù)模型也很容易，直接使用 torch.load() 函數(shù)即可。

net = torch.load(MODEL_PATH)

2.7模型評(píng)估

        如果知道你的模型會(huì)犯什么樣的錯(cuò)誤不是很好嗎？當(dāng)然，這一點(diǎn)是非常難做到的。但是你可以通過(guò)一定的方法得到一個(gè)估計(jì)值。而僅使用準(zhǔn)確性來(lái)評(píng)估并不是一個(gè)好方法，尤其在樣本不平衡的二分類數(shù)據(jù)集上。仔細(xì)回想一下，我們的數(shù)據(jù)是一個(gè)很不平衡的數(shù)據(jù)集，其幾乎不包含明天會(huì)降雨樣本。深入研究模型性能的一種方法是評(píng)估每個(gè)類的精確度和召回率。在我們的例子中，將是結(jié)果標(biāo)簽分別是 no rain 和 rain 。        

classes = ['No rain', 'Raining']
 
y_pred = net(X_test)
y_pred = y_pred.ge(.5).view(-1).cpu()
y_test = y_test.cpu()
 
print(classification_report(y_test, y_pred, target_names=classes))

精確度最大值為1，表明該模型只適用于識(shí)別相關(guān)的樣本。召回率最大值為1，表示模型可以在這個(gè)類的數(shù)據(jù)集中找到所有相關(guān)的示例?？梢钥吹侥Ｐ驮跓o(wú)雨類方面表現(xiàn)良好，因?yàn)闃颖局袩o(wú)雨類樣本數(shù)量較大。不幸的是，我們不能完全相信有雨類的預(yù)測(cè)，因?yàn)闃颖静黄胶鈱?dǎo)致模型傾向于無(wú)雨類。可以通過(guò)查看一個(gè)簡(jiǎn)單的混淆矩陣來(lái)評(píng)估二分類效果。

cm = confusion_matrix(y_test, y_pred)
df_cm = pd.DataFrame(cm, index=classes, columns=classes)
 
hmap = sns.heatmap(df_cm, annot=True, fmt="d")
hmap.yaxis.set_ticklabels(hmap.yaxis.get_ticklabels(), rotation=0, ha='right')
hmap.xaxis.set_ticklabels(hmap.xaxis.get_ticklabels(), rotation=30, ha='right')
plt.ylabel('True label')
plt.xlabel('Predicted label');

 你可以清楚地看到，當(dāng)我們的模型預(yù)測(cè)要下雨時(shí)，我們應(yīng)該抱有懷疑的態(tài)度。

2.8模型預(yù)測(cè)

使用一些假設(shè)的例子上測(cè)試下模型。

def will_it_rain(rainfall, humidity, rain_today, pressure):
    t = torch.as_tensor([rainfall, humidity, rain_today, pressure]) \
      .float() \
      .to(device)
    output = net(t)
    return output.ge(0.5).item()

這個(gè)函數(shù)將根據(jù)模型預(yù)測(cè)返回一個(gè)布爾值。讓我們?cè)囋嚳矗?/p>

will_it_rain(rainfall=10, humidity=10, 
             rain_today=True, pressure=2)
>>> True

will_it_rain(rainfall=0, humidity=1, 
             rain_today=False, pressure=100)
>>> False

        根據(jù)一些參數(shù)得到了兩種不同的返回值。到這里為止，模型已準(zhǔn)備好部署來(lái)，但實(shí)際情況下，請(qǐng)不要匆忙部署，因?yàn)樵撃Ｐ筒⒉皇且粋€(gè)最佳的狀態(tài)，只是用來(lái)掩飾如何使用PyTorch搭建模型！

三、總結(jié)

        如果你看到這里，將給你點(diǎn)個(gè)贊！因?yàn)槟悻F(xiàn)在成功搭建了一個(gè)可以預(yù)測(cè)天氣的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型。雖然此次用PyTorch搭建的深度學(xué)習(xí)模型是一個(gè)入門(mén)級(jí)別的模型，但其他更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型的核心步驟與此類似。

        說(shuō)實(shí)話，構(gòu)建性能良好的模型真的很難，但在多次搭建模型過(guò)程中，你會(huì)不斷學(xué)到一些技巧，并能夠不斷進(jìn)步，這將會(huì)幫助你以后做的更好。

到此這篇關(guān)于用Pytorch構(gòu)建第一個(gè)神經(jīng)網(wǎng)絡(luò)模型（附案例實(shí)戰(zhàn)）的文章就介紹到這了,更多相關(guān)Pytorch構(gòu)建神經(jīng)網(wǎng)絡(luò)模型內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論