pytorch自学笔记——实战 Kaggle 比赛：预测房价

import hashlib
import os
import tarfile
import zipfile
import requests

#这一段是用来下载数据集的————不用看
DATA_HUB = dict()
DATA_URL = 'http://d2l-data.s3-accelerate.amazonaws.com/'

def download(name, cache_dir=os.path.join('..', 'data')):  
    """下载一个DATA_HUB中的文件，返回本地文件名。"""
    assert name in DATA_HUB, f"{name} 不存在于 {DATA_HUB}."
    url, sha1_hash = DATA_HUB[name]
    os.makedirs(cache_dir, exist_ok=True)
    fname = os.path.join(cache_dir, url.split('/')[-1])
    if os.path.exists(fname):
        sha1 = hashlib.sha1()
        with open(fname, 'rb') as f:
            while True:
                data = f.read(1048576)
                if not data:
                    break
                sha1.update(data)
        if sha1.hexdigest() == sha1_hash:
            return fname
    print(f'正在从{url}下载{fname}...')
    r = requests.get(url, stream=True, verify=True)
    with open(fname, 'wb') as f:
        f.write(r.content)
    return fname

def download_extract(name, folder=None):  
    """下载并解压zip/tar文件。"""
    fname = download(name)
    base_dir = os.path.dirname(fname)
    data_dir, ext = os.path.splitext(fname)
    if ext == '.zip':
        fp = zipfile.ZipFile(fname, 'r')
    elif ext in ('.tar', '.gz'):
        fp = tarfile.open(fname, 'r')
    else:
        assert False, '只有zip/tar文件可以被解压缩。'
    fp.extractall(base_dir)
    return os.path.join(base_dir, folder) if folder else data_dir

def download_all():  
    """下载DATA_HUB中的所有文件。"""
    for name in DATA_HUB:
        download(name)

import numpy as np
import pandas as pd
import torch
from torch import nn
from d2l import torch as d2l

DATA_HUB['kaggle_house_train'] = (  
    DATA_URL + 'kaggle_house_pred_train.csv',
    '585e9cc93e70b39160e7921475f9bcd7d31219ce')

DATA_HUB['kaggle_house_test'] = (  
    DATA_URL + 'kaggle_house_pred_test.csv',
    'fa19780a7b011d9b009e8bff8e99922a8ee2eb90')




#代码从这里开始阅读
#使用pandas读入并处理数据——读取数据并且预处理
train_data = pd.read_csv(download('kaggle_house_train'))
test_data = pd.read_csv(download('kaggle_house_test'))


#可以查看下数据的基本结构
#iloc可以查看csv文件具体内容
print(train_data.iloc[0:4, [0, 1, 2, 3, -3, -2, -1]])

#数据预处理

#pd.concat见函数解析：
all_features =pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))


#将所有缺失的值替换为相应特征的平均值。 通过将特征重新缩放到零均值和单位方差来标准化数据

#将非字符串的特征取出来放在numeric_features
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index

#将数值特征的均值变成0方差变成1
#lambda函数见详解
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std())) 

#将缺失值全部fill（填充）为0
all_features[numeric_features] = all_features[numeric_features].fillna(0)

#字符串特征的处理——“用one-hot编码”（ pd.get_dummies）
all_features = pd.get_dummies(all_features, dummy_na=True)
# dummy_na对缺失值进行一个处理——如果有缺失值就再增加一个特征，缺失就填入1，不缺失就填入0
all_features.shape
#最后展现出来的是有331个特征，特征增加的主要原因是进行了one-hot编码（原本只有81个）


#前面是把训练集与数据集进行了统一的处理，现在我们要将其分开并且转换成tensor

n_train = train_data.shape[0]  #取的是训练集中样本的个数————shape[0]取得是csv的行数
train_features = torch.tensor(all_features[:n_train].values,   #all_features[:n_train].values是一个numpy的结构，现在要将其变成一个tensor
                              dtype=torch.float32)
test_features = torch.tensor(all_features[n_train:].values,
                             dtype=torch.float32)
print(train_data.SalePrice.iloc[0:2])
#reshape(-1,1)见函数详解
train_labels = torch.tensor(train_data.SalePrice.values.reshape(-1, 1),    
                            dtype=torch.float32)


loss = nn.MSELoss()     #在这里我们是一个回归的问题所于用的是均方误差
in_features = train_features.shape[1] #去特征数

#用了一个很简单的线性回归，这是一个单层的网络
def get_net():
    net = nn.Sequential(nn.Linear(in_features, 1))
    return net

我们更关心“相对误差” （−̂）/  ， 解决这个问题的一种方法是用价格预测的对数来衡量差异
def log_rmse(net, features, labels):
    #clamp见函数详解
    clipped_preds = torch.clamp(net(features), 1, float('inf')) # float('inf')代表的是正无穷
    rmse = torch.sqrt(loss(torch.log(clipped_preds), torch.log(labels)))
    return rmse.item()

#定义训练的
def train(net, train_features, train_labels, test_features, test_labels,
          num_epochs, learning_rate, weight_decay, batch_size):
    train_ls, test_ls = [], []
    train_iter = d2l.load_array((train_features, train_labels), batch_size)
    optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate,
                                 weight_decay=weight_decay)
    for epoch in range(num_epochs):
        for X, y in train_iter:
            optimizer.zero_grad()
            l = loss(net(X), y)
            l.backward()
            optimizer.step()
        train_ls.append(log_rmse(net, train_features, train_labels))
        if test_labels is not None:
            test_ls.append(log_rmse(net, test_features, test_labels))
    return train_ls, test_ls


#k折交叉验证

#这个函数做的就是将训练集与测试集分开，比如取出第二份做测试集的话就将其他四份cat（拼接）起来
def get_k_fold_data(k, i, X, y):
    assert k > 1
    fold_size = X.shape[0] // k
    X_train, y_train = None, None
    for j in range(k):
        #slice见函数详解
        idx = slice(j * fold_size, (j + 1) * fold_size) 
        #训练集被分成k折，每折的大小是fold_size，我们要将每折取出来就要用到slice

        X_part, y_part = X[idx, :], y[idx]
        if j == i:
            X_valid, y_valid = X_part, y_part
        elif X_train is None:
            X_train, y_train = X_part, y_part
        else:
            #torch.cat见函数详解
            X_train = torch.cat([X_train, X_part], 0)
            y_train = torch.cat([y_train, y_part], 0)
    return X_train, y_train, X_valid, y_valid

def k_fold(k, X_train, y_train, num_epochs, learning_rate, weight_decay,
           batch_size):
    train_l_sum, valid_l_sum = 0, 0
    for i in range(k):
        data = get_k_fold_data(k, i, X_train, y_train)
        net = get_net()
        train_ls, valid_ls = train(net, *data, num_epochs, learning_rate,
                                   weight_decay, batch_size)
        train_l_sum += train_ls[-1]
        valid_l_sum += valid_ls[-1]
        if i == 0:
            d2l.plot(list(range(1, num_epochs + 1)), [train_ls, valid_ls],
                     xlabel='epoch', ylabel='rmse', xlim=[1, num_epochs],
                     legend=['train', 'valid'], yscale='log')
        print(f'fold {i + 1}, train log rmse {float(train_ls[-1]):f}, '
              f'valid log rmse {float(valid_ls[-1]):f}')
    return train_l_sum / k, valid_l_sum / k

k, num_epochs, lr, weight_decay, batch_size = 5, 100, 5, 0, 64
train_l, valid_l = k_fold(k, train_features, train_labels, num_epochs, lr,
                          weight_decay, batch_size)
print(f'{k}-折验证: 平均训练log rmse: {float(train_l):f}, '
      f'平均验证log rmse: {float(valid_l):f}')

函数解析：

1、iloc[,]

选中csv中你所要的东西

2、pd.concat

concat是将两个矩阵以行相加的形式进行拼接的

79怎么来的 81-2：训练集减去id和目标值 80-1：测试集减去目标值

将我们需要的数据用iloc选中，并且用concat拼接起来

3、lambda ：函数

这个就相当于函数的简单定义

exmaple：

def sum(x,y):

    return x+y

print(sum(1,2))

sum = lambda x,y : x+y

print(sum(1,2))

：前面的是输入，后面的是你要做的事（函数）

4、对于图像来说shape[0]，shape[1]，shape[2]分别代表的是图像的垂直高度，水平宽度，通道数
对于matrix来说shape[0]，shape[1]分别代表的是matrix的行与列

5、torch.tensor(xxxx.values)——这样就可以将matrix转换成为一个矩阵

6、
reshape(-1, 1)：将“整个”matrix变成列
reshape(1, -1)：将“整个”matrix变成行

7、torch.clamp torch.clamp(input, min, max, out=None) → Tensor 将输入input张量每个元素的夹紧到区间 [min,max][min,max]，并返回结果到一个新张量。 在这里就是将net的输出夹紧到[1,正无穷]，不然等下求log的时候会出现问题

8、slice

slice() 函数实现切片对象，主要用在切片操作函数里的参数传递。

example：

>>>myslice = slice(5)    # 设置截取5个元素的切片
>>> myslice
slice(None, 5, None)
>>> arr = range(10)
>>> arr
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> arr[myslice]         # 截取 5 个元素
[0, 1, 2, 3, 4]
>>>

 

9、torch.cattorch.cat是将两个张量（tensor）拼接在一起，cat是concatenate的意思，即拼接，联系在一起。

C=torch.cat((A,B),0)#按维数0（行）拼接——A、B的列数必须相同

C=torch.cat((A,B),1)#按维数1（列）拼接——A,B的行数必须相同