深度学习回归任务训练代码模版
深度学习回归任务训练代码模版
文章目录
- 深度学习回归任务训练代码模版
-
- 参数设置
- 功能函数
- 数据加载
-
- 自定义数据集加载类
- 特征选择（可选）
- 数据读取
- 定义模型
- 训练模型
-
- 训练迭代＋验证迭代
- 使用 `tensorboard` 输出模型训练过程和指标可视化(可选)
- 结果预测
- 参考
参数设置
超参设置：config 包含所有训练需要的超参数（便于后续的调参），以及模型需要存储的位置
device = 'cuda' if torch.cuda.is_available() else 'cpu'
config = {
'seed': 5201314, # 随机种子，可以自己填写. :)
'select_all': False, # 是否选择全部的特征
'valid_ratio': 0.2, # 验证集大小(validation_size) = 训练集大小(train_size) * 验证数据占比(valid_ratio)
'n_epochs': 3000, # 数据遍历训练次数
'batch_size': 256,
'learning_rate': 1e-5,
'early_stop': 400, # 如果early_stop轮损失没有下降就停止训练.
'save_path': './models/model.ckpt' # 模型存储的位置
}
功能函数
导入需要的Python包
# 数值、矩阵操作
import math
import numpy as np
# 数据读取与写入
import pandas as pd
import os
import csv
# 进度条
# from tqdm import tqdm
# 如果是使用notebook 推荐使用以下（颜值更高 : ) ）
from tqdm.notebook import tqdm
# Pytorch 深度学习张量操作框架
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader, random_split
# 绘制pytorch的网络
from torchviz import make_dot
# 学习曲线绘制
from torch.utils.tensorboard import SummaryWriter
一些重要的方法（随机种子设置、数据拆分、模型预测）
# 定义一个函数来设置随机种子，以确保实验的可复现性
def same_seed(seed):
"""
设置随机种子(便于复现)
"""
# 设置CUDA的确定性，确保每次运行的结果是确定的
torch.backends.cudnn.deterministic = True
# 关闭CUDA的benchmark模式，因为这与确定性运行模式冲突
torch.backends.cudnn.benchmark = False
# 设置NumPy的随机种子
np.random.seed(seed)
# 设置PyTorch的随机种子
torch.manual_seed(seed)
# 如果CUDA可用，则为GPU设置随机种子
if torch.cuda.is_available():
torch.cuda.manual_seed_all(seed)
# 打印设置的种子值
print(f'Set Seed = {seed}')
# 定义一个函数来将数据集随机拆分为训练集和验证集
def train_valid_split(data_set, valid_ratio, seed):
"""
数据集拆分成训练集（training set）和 验证集（validation set）
"""
# 计算验证集的大小
valid_set_size = int(valid_ratio * len(data_set))
# 训练集的大小是数据集总大小减去验证集大小
train_set_size = len(data_set) - valid_set_size
# 使用PyTorch的random_split函数来拆分数据集，传入随机种子以确保可复现性
train_set, valid_set = random_split(data_set, [train_set_size, valid_set_size], generator=torch.Generator().manual_seed(seed))
# 将拆分得到的数据集转换为NumPy数组格式并返回
return np.array(train_set), np.array(valid_set)
# 定义一个函数来进行模型的预测
def predict(test_loader, model, device):
# 将模型设置为评估模式
model.eval()
# 初始化一个列表来存储预测结果
preds = []
# 遍历测试数据集
for x in tqdm(test_loader):
# 将数据移动到指定的设备上（CPU或GPU）
x = x.to(device)
# 使用with torch.no_grad()来禁止计算梯度，因为在预测模式下不需要计算梯度
with torch.no_grad():
# 进行前向传播以获得预测结果
pred = model(x)
# 将预测结果从GPU移回CPU，并将其从计算图中分离出来
preds.append(pred.detach().cpu())
# 将所有批次的预测结果拼接成一个NumPy数组，并返回
preds = torch.cat(preds, dim=0).numpy()
return preds
数据加载
自定义数据集加载类
# 定义一个COVID19数据集类，继承自PyTorch的Dataset类
class COVID19Dataset(Dataset):
"""
x: np.ndarray 特征矩阵.
y: np.ndarray 目标标签, 如果为None,则是预测的数据集
"""
def __init__(self, x, y=None):
# 如果y不是None，则将y转换为PyTorch的FloatTensor类型，否则y保持为None
if y is None:
self.y = y
else:
self.y = torch.FloatTensor(y)
# 将x转换为PyTorch的FloatTensor类型
self.x = torch.FloatTensor(x)
def __getitem__(self, idx):
# 根据索引idx获取数据项
# 如果y是None，表示这是一个预测数据集，只返回x
if self.y is None:
return self.x[idx]
# 否则，返回一个包含x和y的元组
return self.x[idx], self.y[idx]
def __len__(self):
# 返回数据集中x的数量，即数据集的大小
return len(self.x)
特征选择（可选）
观察数据，选择更有效的数据
df = pd.read_csv('./covid.train.csv')
df.describe()
利用Pearson相关系数分析不同feature与label的相关性强弱。
df.corr()['tested_positive'].sort_values(ascending=False)
# 定义一个函数来选择特征，用于拟合回归模型
def select_feat(train_data, valid_data, test_data, select_all=True):
"""
特征选择
选择较好的特征用来拟合回归模型
"""
# 从训练数据中分离出目标变量y
y_train, y_valid = train_data[:, -1], valid_data[:, -1]
'''
[:, -1]：这是一个NumPy的切片操作，用于选择数组中的特定行和列。
:表示选择所有行，即选择整个数据集。
-1表示选择最后一列。在Python中，使用负数索引可以从数组的末尾开始计数，-1就是数组中的最后一个元素，对于二维数组来说，就是最后一列。
'''
# 从训练数据、验证数据和测试数据中分离出特征矩阵x
raw_x_train, raw_x_valid, raw_x_test = train_data[:, :-1], valid_data[:, :-1], test_data
'''
[:, :-1]：这是一个NumPy的切片操作，用于选择数组中的特定行和列。
:表示选择所有行，即选择整个数据集。
:-1表示选择从第一列开始直到倒数第二列的所有列。在Python中，使用负数索引可以从数组的末尾开始计数，-1就是数组中的最后一个元素之前的所有元素，对于二维数组来说，就是除了最后一列之外的所有列。
'''
# 如果select_all为True，则选择所有特征
if select_all:
feat_idx = list(range(raw_x_train.shape[1]))
else:
# 否则，根据某些标准（需要自行调研特征选择方法）选择特征
# 根据Pearson系数降序排列的结果，我们重新选择特征。
# 去掉第一列 id 列
feat_idx = list(range(1, 38)) + [53, 69, 85, 101]
# 返回选定的特征矩阵和目标变量
return raw_x_train[:, feat_idx], raw_x_valid[:, feat_idx], raw_x_test[:, feat_idx], y_train, y_valid
数据读取
- 从文件中读取数据
pd.read_csv - 数据拆分成三份 训练（training）、验证（validation）、测试（testing）
train_valid_split： 分成训练、验证select_feat：拆分特征和label，并进行特征选择COVID19Dataset: 分别将训练、验证、测试集的特征和label组合成可以用于快速迭代训练的数据集train_dataset, valid_dataset, test_dataset
# 设置随机种子便于复现
same_seed(config['seed'])
# 训练集大小(train_data size) : 2699 x 118 (id + 37 states + 16 features x 5 days)
# 测试集大小(test_data size）: 1078 x 117 (没有label (last day's positive rate))
pd.set_option('display.max_column', 200) # 设置显示数据的列数
train_df, test_df = pd.read_csv('./covid.train.csv'), pd.read_csv('./covid.test.csv')
display(train_df.head(3)) # 显示前三行的样本
train_data, test_data = train_df.values, test_df.values
del train_df, test_df # 删除数据减少内存占用
train_data, valid_data = train_valid_split(train_data, config['valid_ratio'], config['seed'])
# 打印数据的大小
print(f"""train_data size: {train_data.shape}
valid_data size: {valid_data.shape}
test_data size: {test_data.shape}""")
# 特征选择
x_train, x_valid, x_test, y_train, y_valid = select_feat(train_data, valid_data, test_data, config['select_all'])
# 打印出特征数量
print(f'number of features: {x_train.shape[1]}')
train_dataset, valid_dataset, test_dataset = COVID19Dataset(x_train, y_train), \
COVID19Dataset(x_valid, y_valid), \
COVID19Dataset(x_test)
# 使用Pytorch中Dataloader类按照Batch将数据集加载
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)
定义模型
# 定义一个自定义的模型类My_Model，继承自nn.Module
class My_Model(nn.Module):
def __init__(self, input_dim):
super(My_Model, self).__init__()
# 定义模型的结构为一个顺序模型（Sequential），包含线性层（Linear）和激活函数（ReLU）
self.layers = nn.Sequential(
# 第一层线性层，输入维度为input_dim，输出维度为16
nn.Linear(input_dim, 16),
# ReLU激活函数
nn.ReLU(),
# 第二层线性层，输入维度为16，输出维度为8
nn.Linear(16, 8),
# ReLU激活函数
nn.ReLU(),
# 第三层线性层，输入维度为8，输出维度为1
nn.Linear(8, 1)
)
def forward(self, x):
# 在前向传播中，输入x通过定义的层（layers）
x = self.layers(x)
# 使用squeeze函数移除输出张量的一个维度，使其从形状(B, 1)变为(B)
x = x.squeeze(1)
# 返回模型的输出
return x
训练模型
训练迭代＋验证迭代
def trainer(train_loader, valid_loader, model, config, device):
criterion = nn.MSELoss(reduction='mean') # 损失函数的定义
# 定义优化器
# TODO: 可以查看学习更多的优化器 https://pytorch.org/docs/stable/optim.html
# TODO: L2 正则( 可以使用optimizer(weight decay...) )或者 自己实现L2正则.
optimizer = torch.optim.SGD(model.parameters(), lr=config['learning_rate'], momentum=0.9)
# tensorboard 的记录器
writer = SummaryWriter()
if not os.path.isdir('./models'):
# 创建文件夹-用于存储模型
os.mkdir('./models')
n_epochs, best_loss, step, early_stop_count = config['n_epochs'], math.inf, 0, 0
for epoch in range(n_epochs):
model.train() # 训练模式
loss_record = []
# tqdm可以帮助我们显示训练的进度
train_pbar = tqdm(train_loader, position=0, leave=True)
# 设置进度条的左边 ： 显示第几个Epoch了
train_pbar.set_description(f'Epoch [{epoch+1}/{n_epochs}]')
for x, y in train_pbar:
optimizer.zero_grad() # 将梯度置0.
x, y = x.to(device), y.to(device) # 将数据一到相应的存储位置(CPU/GPU)
pred = model(x) # 前向传播
loss = criterion(pred, y) # 计算损失
loss.backward() # 反向传播 计算梯度.
optimizer.step() # 更新网络参数
step += 1
loss_record.append(loss.detach().item())
# 训练完一个batch的数据，将loss 显示在进度条的右边
train_pbar.set_postfix({'loss': loss.detach().item()})
mean_train_loss = sum(loss_record)/len(loss_record)
# 每个epoch,在tensorboard 中记录训练的损失（后面可以展示出来）
writer.add_scalar('Loss/train', mean_train_loss, step)
model.eval() # 将模型设置成 evaluation 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}')
# 每个epoch,在tensorboard 中记录验证的损失（后面可以展示出来）
writer.add_scalar('Loss/valid', mean_valid_loss, step)
# 如果当前验证损失优于最佳损失，则保存模型
if mean_valid_loss < best_loss:
best_loss = mean_valid_loss
torch.save(model.state_dict(), config['save_path']) # 模型保存
print('Saving model with loss {:.3f}...'.format(best_loss))
early_stop_count = 0
else:
early_stop_count += 1
# 如果连续多次验证损失没有改善，则停止训练
if early_stop_count >= config['early_stop']:
print('\nModel is not improving, so we halt the training session.')
return
开始训练
model = My_Model(input_dim=x_train.shape[1]).to(device) # 将模型和训练数据放在相同的存储位置(CPU/GPU)
trainer(train_loader, valid_loader, model, config, device)
使用 tensorboard 输出模型训练过程和指标可视化(可选)
tensorboard 可视化工具：可以记录并展现模型的训练过程中的各种指标，这里我们是记录模型的损失
%reload_ext tensorboard
%tensorboard --logdir=./runs/ --port=6007
结果预测
测试集的预测结果保存到pred.csv.
def save_pred(preds, file):
""" 将模型保存到指定位置 """
with open(file, 'w', newline='') as fp: # 添加 newline='' 防止在Windows上出现额外的空行
writer = csv.writer(fp)
writer.writerow(['id', 'tested_positive'])
for i, p in enumerate(preds):
writer.writerow([i, p])
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')
参考
完整代码见：Hongyi_Lee_dl_homeworks/HW1_Regression at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)
参考文章：
【李宏毅《机器学习》2022】作业1：COVID 19 Cases Prediction (Regression)_李宏毅2022作业-CSDN博客
Hongyi_Lee_dl_homeworks/Warmup/Pytorch_Tutorial_2.pdf at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)
e/master/HW1_Regression)
参考文章：
【李宏毅《机器学习》2022】作业1：COVID 19 Cases Prediction (Regression)_李宏毅2022作业-CSDN博客
Hongyi_Lee_dl_homeworks/Warmup/Pytorch_Tutorial_2.pdf at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)