HW1: COVID-19 Cases Prediction

任务描述

助教给出的代码：https://colab.research.google.com/drive/1FTcG6CE-HILnvFztEFKdauMlPKfQvm5Z#scrollTo=YdttVRkAfu2t
数据（kaggle）：https://www.kaggle.com/competitions/ml2022spring-hw1

数据说明

具体数据以CSV中的为准，比如ppt中说有37个州，CSV中我数了一下其实只有34个州。

代码详解

导包

# 数学操作
import math
import numpy as np

# Pytorch
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader, random_split

# 读写数据
import pandas as pd
import os
import csv

# 可视化
from tqdm import tqdm
import matplotlib.pyplot as plt

构建数据集

class COVID19Dataset(Dataset):
    '''
    x: 特征
    y: 目标，如果为空就进行预测
    '''

    def __init__(self, x, y=None):
        super().__init__()
        if y is None:
            self.y = y
        else:
            self.y = torch.FloatTensor(y)
        self.x = torch.FloatTensor(x)

    def __getitem__(self, index):
        if self.y is None:
            return self.x[index]
        else:
            return self.x[index], self.y[index]

    def __len__(self):
        return len(self.x)

Pytorch用torch.utils.data.Dataset构建数据集，想要构建自己的数据集，则需继承Dataset类，并重写两个方法：

• len : 定义整个数据集的长度。使用len(dataset)时会被调用。
• getitem：用于索引数据集中的数据，比如dataset[i]。

构建模型

class My_Model(nn.Module):

    def __init__(self, input_dim):
        super().__init__()
        # TODO: 调参
        self.layers = nn.Sequential(nn.Linear(input_dim, 64), nn.ReLU(),
                                    nn.Linear(64, 1))

    def forward(self, x):
        x = self.layers(x)
        x = x.squeeze(1)
        return x

nn.Module类是所有网络结构层次的父类。当要实现一个自己的层的时候，必须要继承这个类，并且在__init__中完成初始化的步骤和forward中完成计算图的前向构建的过程。

值得一提的是，nn.Module类实现了__call__这个魔术方法，因此我们能够将模型的实例对象当作函数来使用。即我们会看到y = model(x)这样的写法，其中model是My_Model类的实例对象。

在源码里的__call__方法中，调用了上面我们重写的forward方法。因此，我们不需要显式地调用forward方法来实现前向传播。并且，因为__call__方法中还有一些其他逻辑，我们最好也不要直接通过实例对象.forward(x)来调用前向传播。

助教的代码里原本的网络结构是这样的：

看过数据就会发现，模型参考的特征有很多。助教代码里取的数值太小了，前向传播的时候会引起信息丢失。因此我调到了64，跑出来的结果也表明有优化效果。

一些工具函数

def train_valid_split(data_set, valid_ratio, seed):
    """将训练数据划分为训练集和验证集"""
    valid_set_size = int(valid_ratio * len(data_set))
    train_set_size = len(data_set) - valid_set_size
    train_set, valid_set = random_split(data_set,
                                        [train_set_size, valid_set_size],
                                        generator=torch.manual_seed(seed))
    return np.array(train_set), np.array(valid_set)


def select_feat(train_data, valid_data, test_data, select_all=True):
    '''挑选特征'''
    y_train, y_valid = train_data[:, -1], valid_data[:, -1]
    raw_x_train, raw_x_valid = train_data[:, :-1], valid_data[:, :-1]
    raw_x_test = test_data

    if select_all:
        feat_idx = list(range(raw_x_train.shape[1]))
    else:
        feat_idx = [0, 1, 2, 3, 4]  #TODO: 调参

    return raw_x_train[:,
                       feat_idx], raw_x_valid[:,
                                              feat_idx], raw_x_test[:,
                                                                    feat_idx], y_train, y_valid

将训练数据划分为训练集和验证集是为了可以提前退出训练。根据验证集上模型跑出来的效果来决定是否提前退出训练，如果一段时间内效果不会更好，即可提前退出。

训练函数

def trainer(train_loader, valid_loader, model, config, device):
    # 定义损失函数,平均平方损失
    criterion = nn.MSELoss(reduction='mean')

    # 定义优化算法, 这里采用梯度下降算法
    optimizer = torch.optim.SGD(model.parameters(),
                                lr=config['learning_rate'],
                                momentum=0.9)

    if not os.path.isdir('./models'):
        os.mkdir('./models')

    n_epochs, best_loss, step, early_stop_count = config[
        'n_epochs'], math.inf, 0, 0
    loss_per_epoch = []

    for epoch in range(n_epochs):
        model.train()  #设置为训练模式
        loss_record = []

        train_pbar = tqdm(train_loader, position=0, leave=True)

        for x, y in train_pbar:
            optimizer.zero_grad()  #设置梯度为0
            x, y = x.to(device), y.to(device)
            pred = model(x)
            loss = criterion(pred, y)  # 计算偏差
            loss.backward()  # 计算梯度，反向传播，也就是常说的链式法则求导
            optimizer.step()  # 更新参数，即w-lr*grad这一步
            step += 1
            loss_record.append(loss.detach().item())

            train_pbar.set_description(f'Epoch [{epoch+1}/{n_epochs}]')
            train_pbar.set_postfix({'loss': loss.detach().item()})

        mean_train_loss = sum(loss_record) / len(loss_record)
        loss_per_epoch.append(mean_train_loss)

        model.eval()  # 设置为评估模式
        loss_record = []
        for x, y in valid_loader:
            x, y = x.to(device), y.to(device)
            with torch.no_grad():
                pred = model(x)
                loss = criterion(pred, y)
            loss_record.append(loss.item())

        mean_valid_loss = sum(loss_record) / len(loss_record)
        print(
            f'Epoch [{epoch+1}/{n_epochs}]: Train loss: {mean_train_loss:.4f}, Valid loss: {mean_valid_loss:.4f}'
        )

        if mean_valid_loss < best_loss:
            best_loss = mean_valid_loss
            torch.save(model.state_dict(), config['save_path'])
            print('Saving model with loss {:.3f}...'.format(best_loss))
            early_stop_count = 0
        else:
            early_stop_count += 1

        if early_stop_count >= config['early_stop']:
            print('\nModel is not improving, so we halt the training session.')
            plt.plot(list(range(1, len(loss_per_epoch) + 1)), loss_per_epoch)
            plt.xlabel('Epoch')
            plt.ylabel('Loss')
            plt.title('How Loss Changes')
            plt.savefig('./how_loss_changes.jpg')
            return

这里面最主要的就是那两重for循环。epoch是训练轮数，每一轮都会将所有的训练数据跑一遍。在每一个epoch里面，一般会将训练数据划分为batch，每次训练一个batch，这就是里面那重for循环的作用。划分batch是因为当数据量很大的时候，不可能一次将所有的数据调入内存或显存，所以只能划分batch一批一批的训练。

在里面那重循环，x是训练数据里的输入模型的部分，y是训练数据里实际的结果。
在代码pred = model(x)里，我们用实例对象当作函数来使用。model是My_Model类的实例对象。pred是模型的输出。后面就会用pred和y来计算偏差，然后根据自己选择的优化方法来减小偏差。这份代码里采用的是最简单的梯度下降算法。

反向传播图解可以参考这篇文章：http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html

预测函数

def predict(test_loader, model, device):
    model.eval()  # 设置为评估模式
    preds = []
    for x in tqdm(test_loader):
        x = x.to(device)
        with torch.no_grad():
            pred = model(x)
            preds.append(pred.detach().cpu())
    preds = torch.cat(preds, dim=0).numpy()
    return preds

def save_pred(preds, file):
    '''保存预测结果'''
    with open(file, 'w') as fp:
        writer = csv.writer(fp)
        writer.writerow(['id', 'tested_positive'])
        for i, p in enumerate(preds):
            writer.writerow([i, p])

主程序

device = 'cuda' if torch.cuda.is_available() else 'cpu'
config = {
    'seed': 5201314,  # 随机数种子
    'select_all': True,  # 是否使用所有特征
    'valid_ratio': 0.1,  # 验证集占比
    'n_epochs': 3000,  # 训练轮数
    'batch_size': 256,  # 分组大小
    'learning_rate': 1e-5,
    'early_stop': 400,  # 400步没有效果就停止训练
    'save_path': './models/model.ckpt'  # 模型存储路径
}

# 读取数据
train_data, test_data = pd.read_csv('./covid_train.csv').values, pd.read_csv(
    './covid_test.csv').values
# 去掉第一列的id
train_data, test_data = train_data[:, 1:], test_data[:, 1:]
# 划分训练集和验证集
train_data, valid_data = train_valid_split(train_data, config['valid_ratio'],
                                           config['seed'])
print(f"""train_data size: {train_data.shape}
valid_data size: {valid_data.shape}
test_data size: {test_data.shape}
      """)

x_train, x_valid, x_test, y_train, y_valid = select_feat(
    train_data, valid_data, test_data, config['select_all'])

train_dataset = COVID19Dataset(x_train, y_train)
valid_dataset = COVID19Dataset(x_valid, y_valid)
test_dataset = COVID19Dataset(x_test)

train_loader = DataLoader(train_dataset,
                          batch_size=config['batch_size'],
                          shuffle=True,
                          pin_memory=True)
valid_loader = DataLoader(valid_dataset,
                          batch_size=config['batch_size'],
                          shuffle=True,
                          pin_memory=True)
test_loader = DataLoader(test_dataset,
                         batch_size=config['batch_size'],
                         shuffle=False,
                         pin_memory=True)

# 建立模型
model = My_Model(input_dim=x_train.shape[1]).to(device)
# 开始训练
trainer(train_loader, valid_loader, model, config, device)

# 预测
model = My_Model(input_dim=x_train.shape[1]).to(device)
model.load_state_dict(torch.load(config['save_path']))
preds = predict(test_loader, model, device)
save_pred(preds, 'pred.csv')

助教的代码里藏了一个小坑，他把训练数据里第一列的id也放进去训练了。因此，我这里读取数据之后把id这一列去掉了。

运行结果

代码运行结果

kaggle上的评测

总结

头一回接触机器学习，不会什么高深的模型，只能简单地调调参。看懂代码就是胜利（一行一行地百度）！