python 神经网络回归

news2024/11/13 11:02:05

神经网络回归数据,21条,每条12个月,根据输入预测下一年

数据集:

 下载链接

620906209062090620906209062090620906209062090620906209062090
660936365969622628916949069597656066534455211622826735957783
727886869762952670916794370075679337096562850701747281174493
672737657978264735267203467949788947204265274794696809974126
513174668948639516825274155259534794866647879466095154750521
523375606657938607066181063742512996308159382602196182350900
594086699361004565815667060253681986520361700641656150769164
743216811864938716106043660082741736466666424714977057460508
664577631368597686157298174393652916849575722787226999674831
525255839453186598504697546835544285097857341532084732159108
559635907350401623065232562508618866158457269585666198164523
612686728963468633575738955178685365960356271584326924959425
698867066073257676057131868852748336396768653679166686071044
650617304779600654847495273317671726846579874662156679274635
511514878348885460794748546739525364519446242451464752056532
608455786454015561345867554317521805752862286526305494656142
698685971767005618116696363463631426035965805681015952958101
728366598466036605997247262919600816703867628635266403162049
784917181066910728977397671189770077436074407795057835174007
476085144155104553504831356398528275206846131525614967355460
652415881366050639526159560050664866698564233700696286372383

代码:

import pandas as pd
import torch
import torch.nn as nn  # 神经网络基本工具箱
import torch.nn.functional as fun
import numpy as np
import torch.utils.data as Data
import matplotlib.pyplot as plt  # 绘图模块,能绘制 2D 图表


# 定义神经网络==========================================================
class ConvNet(nn.Module):  # 类 ConvNet 继承自 nn.Module
    def __init__(self):  # 构造方法
        # 下式等价于nn.Module.__init__.(self)
        super(ConvNet, self).__init__()  # 调用父类构造方法
        # 全连接层=========================================================
        self.fc1 = nn.Linear(12, 24)
        self.fc2 = nn.Linear(24, 64)
        self.fc3 = nn.Linear(64, 24)
        self.fc4 = nn.Linear(24, 12)

    def forward(self, x):
        x = torch.tanh(self.fc1(x))
        x = torch.tanh(self.fc2(x))
        x = torch.tanh(self.fc3(x))
        x = self.fc4(x)
        return x


# 读取数据
def read_data(file):
    # 读取xlsx文件,并存入data,不带标签
    data = pd.read_excel(file, header=None).values
    ma = np.amax(data)
    mi = np.amin(data)
    data = (data-mi)/(ma-mi)
    data = torch.Tensor(data)  # 转张量
    # .reshape((-1, 1)) -》转置
    data = Data.TensorDataset(data[0:-2], data[1:-1])
    return data,ma,mi


# ==========================================================================================================
file = 'carbon.xlsx'  # 数据文件
data,ma,mi = read_data(file)  # 读取数据集
batch_size = 3
train_set = torch.utils.data.DataLoader(data, batch_size=batch_size, shuffle=True)  # 训练集
device = torch.device('cpu')
model = ConvNet()  # 初始化模型
learning_rate = 0.0001  # 学习率
criterion = nn.MSELoss()  # 平方损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
# optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 优化器:随机梯度下降算法
loop = 1000  # 循环次数
print("学习率为", learning_rate, "\n训练次数为:", loop)
# 开始训练=========================================
i = 0  # 绘图用
print("开始训练===================================================")
process = []  # 误差
for epoch in range(loop):  # 训练 loop 次
    running_loss = 0.0  # 训练误差,误差归零
    # 下面这个作用是每轮打乱一次,没什么大用处,不想要可以删去
    train_set = torch.utils.data.DataLoader(data, batch_size=batch_size, shuffle=True)  # 训练集
    # enumerate() 函数:用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列,同时列出数据和数据下标。
    for i, (images, labels) in enumerate(train_set, 0):
        outputs = model(images)  # 正向传播
        loss = criterion(outputs, labels)  # 计算batch(3个一打包)误差
        optimizer.zero_grad()  # 梯度清零
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
        running_loss += loss.item()  # 误差和
    if(epoch%100 == 99):
        print("第%2d/%2d 轮循环,误差为:%.4f" % (epoch + 1, loop, running_loss))
        process.append(running_loss)
        running_loss = 0.0  # 误差归零
# 绘制训练过程
i = i + 1
train_set = torch.utils.data.DataLoader(data, batch_size=1, shuffle=True)  # 训练集
for i, (images, labels) in enumerate(train_set, 0):
    plt.figure(i)
    outputs = model(images)  # 正向传播
    labels = (labels+mi)*(ma-mi)
    outputs = (outputs + mi) * (ma - mi)
    plt.plot(labels[0].detach().numpy(),'g:',label = 'real')
    plt.plot(outputs[0].detach().numpy(),'b:',label = 'forecast')
    plt.legend(loc='lower right')  # 显示上面的label
    plt.xlabel('time')  # x_label
i += 1
plt.figure(i)
plt.plot(list(range(len(process))), process, 'g:', label='loss')
plt.legend(loc='lower right')  # 显示上面的label
plt.xlabel('time')  # x_label
plt.ylabel('loss')  # y_label
plt.title('loss about time')  # 标题
plt.show()  # 显示=========

结果:

学习率为 0.0001 
训练次数为: 1000
开始训练===================================================
第100/1000 轮循环,误差为:0.1967
第200/1000 轮循环,误差为:0.1527
第300/1000 轮循环,误差为:0.0994
第400/1000 轮循环,误差为:0.0592
第500/1000 轮循环,误差为:0.0407
第600/1000 轮循环,误差为:0.0305
第700/1000 轮循环,误差为:0.0207
第800/1000 轮循环,误差为:0.0196
第900/1000 轮循环,误差为:0.0109
第1000/1000 轮循环,误差为:0.0065

 

 

 剩下的大差不差,就不放出来了。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/448883.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【远程访问及控制】

目录 一、OpenSSH服务器1.1、SSH远程管理1.2、ssh服务器的端口1.3、修改端口号1.4、设置用户登录 二、实验2.1、设置白名单2.2、设置黑名单 三、sshd 服务支持两种验证方式:3.1、密码验证3.2、密钥对验证公钥和私钥的关系: 四、使用SSH客户端程序4.1、ssh 远程登录4…

java项目之疫情网课管理系统(springboot+vue源码)

风定落花生,歌声逐流水,大家好我是风歌,混迹在java圈的辛苦码农。今天要和大家聊的是一款基于springboot的疫情网课管理系统。项目源码以及部署相关请联系风歌,文末附上联系信息 。 💕💕作者:风…

Java集合框架(Collection)

集合框架 一个Java对象可以在内部持有若干其他Java对象,并对外提供访问接口,把这种Java对象称为集合 集合框架都包含三大块内容:(接口、实现、算法) (1)对外的接口 (2)…

【C++】string类的简单模拟实现

目录 string类初识 string模拟实现 string类成员变量 构造函数 拷贝构造 赋值运算符重载 析构函数 深浅拷贝问题 string类初识 由于C语言中的字符串不太符合OOP(面向对象编程)的思想,而且其底层空间需要用户自己管理,经常有访问越界的情况出现。…

模仿风宇博客登录蒙层弹窗(vuex+computed实现)

效果图 使用了动态组件做组件切换使用vue内置的transition组件实现过渡效果,蒙层 和 弹框 都使用了transition,并嵌套vuex computed计算属性,实现数据 和 方法共享,让其它组件也能够控制到登录弹框蒙层使用了固定定位未实现&…

读取注册表中的REG_QWORD和REG_BINARY(二进制)类型数据

读取注册表中的REG_QWORD和REG_BINARY二进制类型数据 发现的问题注册表中的一些概念(统一认识)读取代码(字节数据大于8的会显示f开头的前缀)说明(备注)改进代码参考链接 发现的问题 首先我们要明确&#x…

【Jetpack】DataBinding 架构组件 ⑥ ( RecyclerView 数据绑定 )

文章目录 一、RecyclerView 数据绑定核心要点1、启用数据绑定 / 导入依赖2、RecyclerView 条目 DataBinding 布局3、自定义 RecyclerView.Adapter 适配器要点 ( 本博客重点 ★ ) 二、RecyclerView 数据绑定源码示例1、build.gradle 构建脚本 ( 启用数据绑定 / 导入依赖 )2、主界…

ggplot中的注释图层annotate

文章目录 介绍利用注释层添加图形利用注释层添加文本利用注释层添加公式 介绍 ggplot作图包中除了常见的geom图层外,还有一个annotate的注释图层,实现对作图对象的额外添加,其添加要素不在ggplot()所接受的数据框中。 利用注释层添加图形 …

家政服务APP小程序开发功能详解

随着人们生活水平的提高,对家政服务的要求也越来越高。而传统的到家政公司寻找服务人员的方法显然已经无法满足人们需求,取而代之的是线上预约家政服务。家政服务App小程序软件可以满足用户在线预约,还可以根据自己的需求定制家政服务、选择家…

【Hadoop-CosDistcp】通过CosDistcp的方式迁移Cos中的数据至HDFS

【Hadoop-CosDistcp】通过CosDistcp的方式迁移Cos中的数据至HDFS 1)功能说明2)使用环境3)下载与安装4)原理说明5)参数说明6)使用示例7)迁移 Cos 中的数据至 HDFS 及数据校验7.1.数据迁移7.2.数据…

【Unity入门】16.脚本引用组件

【Unity入门】脚本引用组件 大家好,我是Lampard~~ 欢迎来到Unity入门系列博客,所学知识来自B站阿发老师~感谢 (一)脚本引用普通组件 (1)点击控制音频播放 还记得我们的车载音乐AudioSource吗?…

zabbix搭建

1.环境 本实验使用一台centos7主机,关闭了firewalld和selinux服务,zabbix版本为5.0版本,mysql使用版本为5.7版本 若要搭建6.0以上版本的zabbix,则需要使用mysql 8.0以上的版本 其它版本的zabbix可参考zabbix官网:Download and…

YOLOv5+单目实现三维跟踪(python)

YOLOv5单目跟踪(python) 1. 目标跟踪2. 测距模块2.1 设置测距模块2.2 添加测距 3. 主代码4. 实验效果 相关链接 1. YOLOv5单目测距(python) 2. YOLOv7单目测距(python) 3. YOLOv7单目跟踪(pytho…

C++练级之初级:第四篇

C练级之初级:第四篇 引用 C练级之初级:第四篇1.引用1.1引用的介绍1.2引用的使用场景1.3常引用 2.引用的底层3.引用的与指针的比较 总结 1.引用 1.1引用的介绍 🤔首先还是一个问题,引用是解决C语言什么不足? 指针在&am…

Python自动化sql注入:布尔盲注

在sql注入时,使用python脚本可以大大提高注入效率,这里演示一下编写python脚本实现布尔盲注的基本流程: 演示靶场:sqli-labs 布尔盲注 特点:没有回显没有报错,但根据sql语句正常与否返回不同结果&#x…

新手做电商直播带货怎么和快递合作谈价格

新手做电商直播带货怎么和快递合作谈价格达人带货一般怎样的合作模式?#达人带货 #直播带货 #红人 #百收网 跟快递谈价其实是有方法的,快递的价格不是说不能打下来,就是需要你们多一点点的心机。这个视频我就再给你们补充三个方法,…

HCIP之STP

企业网三层架构 线路冗余—二层网络桥接环路 因为路由器的路由表是由相对完善的计算所得,且存在防环规则;故路由器物理链路上实施备份时,一般不会出现环路;但交换转发数据依赖MAC表(CAM表),该表…

【模式识别4】YOLO目标检测数据集xml格式转txt格式

YOLO目标检测数据集xml格式转txt格式 1. 转换前的xml格式2. xml格式转txt格式代码2.1 源代码2.2 需要修改的地方 3. 转换后的txt格式 代码资源:voc2txt.py 1. 转换前的xml格式 如果我们使用LabelImg工具标注数据集,生成的xml文件如下: xml…

Linux运维:推荐八款Linux远程连接工具

目录 2、XShell 3、SecureCRT 4、PuTTY 5、WindTerm 6、iTerm2 7、MobaXterm 8、Termius 今天给大家推荐八款Linux远程连接工具,非常实用,希望对大家能有所帮助! 1、NxShell NxShell是一款开源的Linux远程管理工具,是我日…

Spring Boot 接口加解密

1. 介绍 在我们日常的Java开发中,免不了和其他系统的业务交互,或者微服务之间的接口调用 如果我们想保证数据传输的安全,对接口出参加密,入参解密。 但是不想写重复代码,我们可以提供一个通用starter,提…