基于pytorch 构建神经网络进行气温预测

2023-12-21 17:38
文章标签 进行 构建 神经网络 pytorch 预测 气温

本文主要是介绍基于pytorch 构建神经网络进行气温预测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！ 

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import torch
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline

path = 'E:/nlp课件/test_data/temps.csv'
features = pd.read_csv(path)
features.head()
yearmonthdayweektemp_2temp_1averageactualfriend
0201611Fri454545.64529
1201612Sat444545.74461
2201613Sun454445.84156
3201614Mon444145.94053
4201615Tues414046.04441
数据表中
  • year,moth,day,week分别表示的具体的时间
  • temp_2：前天的最高温度值
  • temp_1：昨天的最高温度值
  • average：在历史中，每年这一天的平均最高温度值
  • actual：标签值，当天的真实最高温度
print('数据维度：', features.shape)

数据维度： (348, 9)

# 处理时间
years = features['year']
month = features['month']
day = features['day']
dates = [str(int(years)) + '-' + str(int(month)) + '-' + str(int(day)) for years, month, day in zip(years, month, day)]

from datetime import datetime
dates = [datetime.strptime(date, '%Y-%m-%d') for date in dates]
dates[:5]

[datetime.datetime(2016, 1, 1, 0, 0),datetime.datetime(2016, 1, 2, 0, 0),datetime.datetime(2016, 1, 3, 0, 0),datetime.datetime(2016, 1, 4, 0, 0),datetime.datetime(2016, 1, 5, 0, 0)]

# 生成图像
# 默认风格
plt.style.use('fivethirtyeight')
# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows = 2, ncols = 2, figsize = (10,10))
fig.autofmt_xdate(rotation = 45)# 标签值
ax1.plot(dates, features['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Max Temp')# 昨天
ax2.plot(dates, features['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')# 我的逗逼朋友
ax4.plot(dates, features['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')plt.tight_layout(pad=2)

在这里插入图片描述

# one-hot
features = pd.get_dummies(features)
features[:5]
yearmonthdaytemp_2temp_1averageactualfriendweek_Friweek_Monweek_Satweek_Sunweek_Thursweek_Tuesweek_Wed
0201611454545.645291000000
1201612444545.744610010000
2201613454445.841560001000
3201614444145.940530100000
4201615414046.044410000010
# 目标值 
labels = np.array(features['actual'])# 在特征之中去掉标签
features = features.drop('actual', axis = 1)# 保存列名
features_list = list(features.columns)# 转换格式
features = np.array(features)

features.shape

(348, 14)

from sklearn.preprocessing import StandardScaler
input_features = StandardScaler().fit_transform(features)

input_features[0]

array([ 0.        , -1.5678393 , -1.65682171, -1.48452388, -1.49443549,-1.3470703 , -1.98891668,  2.44131112, -0.40482045, -0.40961596,-0.40482045, -0.40482045, -0.41913682, -0.40482045])

构建网络模型

x = torch.tensor(input_features, dtype = float)
y = torch.tensor(labels, dtype = float)# 权重参数初始化   [348,14] * [14, 128] * [128] * [128, 1] * [1]
weights = torch.randn((14, 128), dtype = float, requires_grad = True)
biases = torch.randn(128, dtype = float, requires_grad = True)
weights2 = torch.randn((128, 1), dtype = float, requires_grad = True)
biases2 = torch.randn(1, dtype = float, requires_grad = True)

learning_rate = 0.001
losses = []

for i in range(1000):# 计算隐层hidden = x.mm(weights) + biases# 激活函数hidden = torch.relu(hidden)# 预测结果predictions = hidden.mm(weights2) + biases2# 计算损失 - MSEloss = torch.mean((predictions - y)**2)losses.append(loss.data.numpy)# 打印损失if i % 100 == 0:print('loss:', loss)# 反向传播loss.backward()# 更新参数weights.data.add_(- learning_rate * weights.grad.data)biases.data.add_(- learning_rate * biases.grad.data)weights2.data.add_(- learning_rate * weights2)biases2.data.add_(- learning_rate * biases2)# 更新后梯度置0，否则会累加weights.grad.data.zero_()biases.grad.data.zero_()weights2.grad.data.zero_()biases2.grad.data.zero_()
loss: tensor(4769.2916, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(168.6445, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(152.0681, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(147.8071, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(146.4026, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(146.3492, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(147.1898, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(148.8380, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(151.3747, dtype=torch.float64, grad_fn=<MeanBackward0>)
loss: tensor(154.9829, dtype=torch.float64, grad_fn=<MeanBackward0>)

序列化容器构建网络模型

import torch.nn as nn
from torch.optim import Adam

input_size = input_features.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16

my_nn = nn.Sequential(nn.Linear(input_size, hidden_size),nn.Sigmoid(),nn.Linear(hidden_size, output_size)
)

cost = nn.MSELoss(reduction= 'mean')
optimizer = Adam(my_nn.parameters(), lr = learning_rate)

# 训练网络
losses = []
for i in range(1000):batch_loss = []# mini_batch 方式进行训练for start in range(0, len(input_features), batch_size):end = start + batch_size if batch_size + start < len(input_features) else len(input_features)xx = torch.tensor(input_features[start : end], dtype = torch.float, requires_grad = True)yy = torch.tensor(labels[start : end], dtype = torch.float, requires_grad = True)# 前向传播predictions = my_nn(xx)# 计算损失loss = cost(predictions, yy)# 梯度置0optimizer.zero_grad()# 反向传播loss.backward(retain_graph = True)# 更新参数optimizer.step()batch_loss.append(loss.data.numpy())# 打印损失if i % 100 == 0:losses.append(np.mean(batch_loss))print(i, np.mean(batch_loss))

0 3980.642
100 37.847748
200 35.684933
300 35.318283
400 35.14371
500 35.006382
600 34.884396
700 34.761875
800 34.633102
900 34.49755

预测训练结果

x = torch.tensor(input_features, dtype = torch.float)
predict = my_nn(x).data.numpy()

# 转换日期格式
dates = [str(int(years)) + '-' + str(int(month)) + '-' + str(int(day)) for years, month, day in zip(years, month, day)]
dates = [datetime.strptime(date, '%Y-%m-%d') for date in dates]# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date': dates, 'actual': labels})# 同理，再创建一个来存日期和其对应的模型预测值
months = features[:, features_list.index('month')]
days = features[:, features_list.index('day')]
years = features[:, features_list.index('year')]test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]test_dates = [datetime.strptime(date, '%Y-%m-%d') for date in test_dates]predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)}) 

# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label = 'prediction')
plt.xticks(rotation = '60'); 
plt.legend()# 图名
plt.xlabel('Date'); plt.ylabel('Maximum Temperature (F)'); plt.title('Actual and Predicted Values');

在这里插入图片描述

这篇关于基于pytorch 构建神经网络进行气温预测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/520899。

相关文章

SpringBoot结合Docker进行容器化处理指南

SpringBoot结合Docker进行容器化处理指南

《SpringBoot结合Docker进行容器化处理指南》在当今快速发展的软件工程领域,SpringBoot和Docker已经成为现代Java开发者的必备工具,本文将深入讲解如何将一个SpringBo... 目录前言一、为什么选择 Spring Bootjavascript + docker1. 快速部署与
阅读更多...
linux解压缩 xxx.jar文件进行内部操作过程

linux解压缩 xxx.jar文件进行内部操作过程

《linux解压缩xxx.jar文件进行内部操作过程》：本文主要介绍linux解压缩xxx.jar文件进行内部操作,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、解压文件二、压缩文件总结一、解压文件1、把 xxx.jar 文件放在服务器上，并进入当前目录#
阅读更多...
SpringBoot中如何使用Assert进行断言校验

SpringBoot中如何使用Assert进行断言校验

《SpringBoot中如何使用Assert进行断言校验》Java提供了内置的assert机制,而Spring框架也提供了更强大的Assert工具类来帮助开发者进行参数校验和状态检查,下... 目录前言一、Java 原生assert简介1.1 使用方式1.2 示例代码1.3 优缺点分析二、Spring Fr
阅读更多...
使用Docker构建Python Flask程序的详细教程

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker
阅读更多...
Golang如何对cron进行二次封装实现指定时间执行定时任务

Golang如何对cron进行二次封装实现指定时间执行定时任务

《Golang如何对cron进行二次封装实现指定时间执行定时任务》：本文主要介绍Golang如何对cron进行二次封装实现指定时间执行定时任务问题,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录背景cron库下载代码示例【1】结构体定义【2】定时任务开启【3】使用示例【4】控制台输出总结背景
阅读更多...
使用Python进行GRPC和Dubbo协议的高级测试

使用Python进行GRPC和Dubbo协议的高级测试

《使用Python进行GRPC和Dubbo协议的高级测试》GRPC（GoogleRemoteProcedureCall）是一种高性能、开源的远程过程调用（RPC）框架,Dubbo是一种高性能的分布式服... 目录01 GRPC测试安装gRPC编写.proto文件实现服务02 Dubbo测试1. 安装Dubb
阅读更多...
基于Python构建一个高效词汇表

基于Python构建一个高效词汇表

《基于Python构建一个高效词汇表》在自然语言处理（NLP）领域,构建高效的词汇表是文本预处理的关键步骤,本文将解析一个使用Python实现的n-gram词频统计工具,感兴趣的可以了解下... 目录一、项目背景与目标1.1 技术需求1.2 核心技术栈二、核心代码解析2.1 数据处理函数2.2 数据处理流程
阅读更多...
Linux使用scp进行远程目录文件复制的详细步骤和示例

Linux使用scp进行远程目录文件复制的详细步骤和示例

《Linux使用scp进行远程目录文件复制的详细步骤和示例》在Linux系统中,scp（安全复制协议）是一个使用SSH（安全外壳协议）进行文件和目录安全传输的命令,它允许在远程主机之间复制文件和目录,... 目录1. 什么是scp？2. 语法3. 示例示例 1: 复制本地目录到远程主机示例 2: 复制远程主
阅读更多...
Python FastMCP构建MCP服务端与客户端的详细步骤

Python FastMCP构建MCP服务端与客户端的详细步骤

《PythonFastMCP构建MCP服务端与客户端的详细步骤》MCP（Multi-ClientProtocol）是一种用于构建可扩展服务的通信协议框架,本文将使用FastMCP搭建一个支持St... 目录简介环境准备服务端实现（server.py）客户端实现（client.py）运行效果扩展方向常见问题结
阅读更多...
详解如何使用Python构建从数据到文档的自动化工作流

详解如何使用Python构建从数据到文档的自动化工作流

《详解如何使用Python构建从数据到文档的自动化工作流》这篇文章将通过真实工作场景拆解,为大家展示如何用Python构建自动化工作流,让工具代替人力完成这些数字苦力活,感兴趣的小伙伴可以跟随小编一起... 目录一、Excel处理：从数据搬运工到智能分析师二、PDF处理：文档工厂的智能生产线三、邮件自动化：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2