回归实战：新冠病毒感染人数预测

一、项目背景台湾大学李宏毅老师 2021 春季机器学习课程的作业竞赛“ML2021Spring-hw1” 项目所需数据可点击链接下载链接如下https://www.kaggle.com/competitions/ml2021spring-hw1二、代码解析代码涵盖了深度学习项目从数据加载、模型定义、训练、验证到最终结果评估的完整流程实现了一个基于 PyTorch 框架的深度学习模型用于处理一个与 COVID-19 相关的数据集旨在预测预测美国 40 个州第三天的新冠病毒检测阳性率。代码下载链接在文末也可逐段复制1、库导入import torch import matplotlib.pyplot as plt # 画图 import matplotlib import numpy as np # 矩阵相关 import csv # 处理csv文件 import pandas # csv文件 # 方便的 Dataset, DataLoader 的使用 from torch.utils.data import Dataset, DataLoader import torch.nn as nn # 方便的 optim 的使用 from torch import optim import time2、数据集定义CovidDataset 类class CovidDataset(Dataset): def __init__(self, file_path, mode): with open(file_path, r) as f: ori_data list(csv.reader(f)) csv_data np.array(ori_data)[1:, 1:].astype(float) #不要第一行和第一列 #逢五取1不推荐 if mode train: indices [i for i in range(len(csv_data)) if i % 5 ! 0] elif mode val: indices [i for i in range(len(csv_data)) if i % 5 0] elif mode test: indices [i for i in range(len(csv_data))] X torch.tensor(csv_data[indices, :93]) if mode ! test: self.Y torch.tensor(csv_data[indices, -1]) self.X (X - X.mean(dim0, keepdimTrue)) / X.std(dim0, keepdimTrue) self.mode mode def __getitem__(self, item): if self.mode test: return self.X[item].float() else: return self.X[item].float(), self.Y[item].float() def __len__(self): return len(self.X)__init__(self, file_path, mode) 方法的作用1、数据加载使用 csv.reader 读取 CSV 文件内容并转换为 NumPy 数组 csv_data并跳过了第一行、第一列的无效数据。2、数据划分根据 mode 参数 train、val、test来划分数据集。训练集 (train) 包含所有索引不能被 5 整除的数据验证集 (val) 包含所有索引能被 5 整除的数据测试集 (test) 包含所有数据。3、特征与标签分离将前 93 列数据作为特征 X将最后一列数据作为标签 Y。这表明该数据集有 93 个特征并且是一个回归任务因为标签是连续值。4、数据标准化对特征数据 X 进行了标准化处理将其缩放到均值为 0、标准差为 1 的范围有助于加速模型收敛并防止某些特征的数值范围过大对模型训练产生主导作用。__getitem__(self, item) 方法 这是 Dataset 类必须实现的方法之一用于根据给定的索引 item 返回一个数据样本。在训练和验证模式下它返回特征 self.X[item] 和标签 self.Y[item]在测试模式下由于测试集没有标签它只返回特征 self.X[item]。__len__(self) 方法这是 Dataset 类必须实现的另一个方法返回数据集中样本的总数即 self.X 的长度。3、模型定义myModel 类class myModel(nn.Module): def __init__(self, inDim): super(myModel, self).__init__() self.fc1 nn.Linear(inDim, 128) self.relu1 nn.ReLU() self.fc2 nn.Linear(128, 1) def forward(self, x): x self.fc1(x) x self.relu1(x) x self.fc2(x) if len(x.size()) 1: x x.squeeze(1) #如果维度大于1 就去掉第二个维度 return x__init__(self, inDim) 方法1、super(myModel, self).__init__()调用父类 nn.Module 的构造函数2、self.fc1 nn.Linear(inDim, 128)定义第一个全连接层线性层。inDim 是输入特征的维度在本例中是 93128 是该层的输出维度即隐藏层神经元的数量。全连接层的作用是将输入数据通过线性变换映射到另一个特征空间。3、self.relu1 nn.ReLU()定义 ReLU 激活函数。ReLU 是一种常用的非线性激活函数它能够引入非线性使得神经网络可以学习更复杂的模式。4、self.fc2 nn.Linear(128, 1)定义第二个全连接层。输入维度是前一层的输出维度 128输出维度是 1因为这是一个回归任务最终需要预测一个单一的连续值。forward(self, x) 方法1、这是 nn.Module 子类必须实现的方法定义了数据在模型中前向传播的计算过程。当模型被调用时例如 model(x)实际上就是执行这个 forward 方法。2、x self.fc1(x)输入 x 首先通过第一个全连接层。3、x self.relu1(x)然后通过 ReLU 激活函数引入非线性。4、x self.fc2(x)接着通过第二个全连接层得到模型的最终输出。5、if len(x.size()) 1: x x.squeeze(1)这行代码用于处理输出张量的维度。如果模型的输出 x 的维度大于 1例如形状为 [batch_size, 1]则使用 squeeze(1) 去掉第二个维度使其形状变为 [batch_size]。这通常是为了确保模型的输出与标签的维度一致方便后续损失计算。4、训练与验证函数train_valtrain_val 函数封装了模型的训练和验证逻辑是深度学习模型训练的核心部分。def train_val(model, train_loader, val_loader, lr, optimizer, device, epochs, save_path): model model.to(device) #防止意外 plt_train_loss [] #总训练loss plt_val_loss [] min_val_loss 999999999999999999.9 for epoch in range(epochs): #发枪指令 冲锋的号角 模型训练的开始 model.train() start_time time.time() train_loss 0.0 #浮点形式 for x, y in train_loader: x, y x.to(device), y.to(device) y_pred model(x) bat_loss loss(y_pred, y, model) bat_loss.backward() optimizer.step() optimizer.zero_grad() train_loss bat_loss.cpu().item() plt_train_loss.append(train_loss/train_loader.__len__()) model.eval() val_loss 0.0 with torch.no_grad(): for val_x, val_y in val_loader: val_x, val_y val_x.to(device), val_y.to(device) val_pred_y model(val_x) val_bat_loss loss(val_pred_y, val_y, model) val_loss val_bat_loss.cpu().item() plt_val_loss.append(val_loss / val_loader.__len__()) #保存 if val_loss min_val_loss: min_val_loss val_loss torch.save(model, save_path) print([%03d/%03d] %2.2f sec(s) train_loss: %.6f val_loss: %.6f % \ (epoch, epochs, time.time()-start_time, plt_train_loss[-1], plt_val_loss[-1])) plt.plot(plt_train_loss) plt.plot(plt_val_loss) plt.title(loss) plt.legend([train, val]) plt.show()训练循环 (for epoch in range(epochs))1.model.train()将模型设置为训练模式。这会启用 Dropout 和 BatchNorm 等层的功能这些层在训练和评估模式下的行为不同。2.start_time time.time()记录每个 epoch 开始的时间用于计算该 epoch 的耗时。3.训练阶段 (for x, y in train_loader)1x, y x.to(device), y.to(device)将输入特征 x 和标签 y 移动到指定设备上进行计算。2y_pred model(x)前向传播。将输入 x 传递给模型得到模型的预测输出 y_pred。3 bat_loss loss(y_pred, y, model)计算当前批次的损失。这里使用了自定义的 loss 函数它包含了均方误差和 L2 正则化项。4 bat_loss.backward()反向传播。计算损失相对于模型所有可训练参数的梯度。这是深度学习中优化模型参数的关键步骤它利用链式法则计算每个参数对损失的贡献。5 optimizer.step()参数更新。根据计算出的梯度和优化器的策略来更新模型的参数使损失函数减小6 optimizer.zero_grad()梯度清零。在每次反向传播之前需要将模型参数的梯度清零。因为 PyTorch 默认会累积梯度如果不清零则梯度会叠加导致错误的参数更新。7train_loss bat_loss.cpu().item()累加每个批次的损失并将其从设备如 GPU移动到 CPU并转换为 Python 标量。4.plt_train_loss.append(train_loss/train_loader.__len__())记录每个 epoch 的平均训练损失。5.验证阶段1model.eval()将模型设置为评估模式。这会禁用 Dropout 等层确保模型在评估时行为一致。2with torch.no_grad():在此上下文管理器中PyTorch 不会计算和存储梯度。这在验证和测试阶段非常重要可以节省内存并加速计算因为此时不需要进行反向传播。3验证循环 (for val_x, val_y in val_loader) 的逻辑与训练阶段类似但没有反向传播和参数更新。4 plt_val_loss.append(val_loss / val_loader.__len__())记录每个 epoch 的平均验证损失。6.模型保存1if val_loss min_val_loss:如果当前 epoch 的验证损失低于历史最低验证损失则更新 min_val_loss 并保存当前模型。这种策略称为“早停”Early Stopping它有助于防止模型过拟合即在验证集上表现最好的模型通常具有更好的泛化能力。2torch.save(model, save_path)保存整个模型的状态。7.进度打印与可视化1print(...)打印每个 epoch 的训练损失、验证损失和耗时方便监控训练进度。2plt.plot(...) 和 plt.show()在训练结束后绘制训练损失和验证损失随 epoch 变化的曲线图直观展示模型的学习情况5、评估函数evaluateevaluate 函数用于加载训练好的模型对测试集进行预测并将预测结果保存到 CSV 文件中。def evaluate(model_path, test_loader, rel_path, device): model torch.load(model_path).to(device) rel [] #记录预测结果 model.eval() with torch.no_grad(): for x in test_loader: x x.to(device) pred model(x) rel.append(pred.cpu().item()) with open(rel_path, w, newline) as f: csv_writer csv.writer(f) csv_writer.writerow([id, tested_positive]) for i, pred in enumerate(rel): #同时得到 第几个 和第几个的结果 csv_writer.writerow([str(i), str(pred)]) print(结果保存到了rel_path)6、损失函数定义mseLossmseLoss 函数定义了带有 L2 正则化的均方误差Mean Squared Error, MSE损失函数。这是回归任务中常用的损失函数。def mseLoss(pred, target, model): loss nn.MSELoss(reduction\mean\) #平方差损失 \\\ Calculate loss \\\ regularization_loss 0 # 正则项 for param in model.parameters(): # TODO: you may implement L1/L2 regularization here # 使用L2正则项 # regularization_loss torch.sum(abs(param)) regularization_loss torch.sum(param ** 2) # 计算所有参数平方 return loss(pred, target) 0.00075 * regularization_loss # 返回损失。7、主程序执行部分这部分代码负责设置超参数、实例化数据集和模型、定义优化器并调用训练和评估函数是整个程序的入口。注意train_file r/Users/mastery/Lxy/Deep_Learning/LiGe/第三节回归实战代\n码/regression/covid/covid.train.csvtest_file r/Users/mastery/Lxy/Deep_Learning/LiGe/第三节回归实战代码\n/regression/covid/covid.test.csv要改成您自己存放train.csv和test.csv的文件路径train_file r/Users/mastery/Lxy/Deep_Learning/LiGe/第三节回归实战代\n码/regression/covid/covid.train.csv test_file r/Users/mastery/Lxy/Deep_Learning/LiGe/第三节回归实战代码\n/regression/covid/covid.test.csv batch_size 16 train_set CovidDataset(train_file, train) val_set CovidDataset(train_file, val) test_set CovidDataset(test_file, test) train_loader DataLoader(train_set, batch_sizebatch_size, shuffleTrue) val_loader DataLoader(val_set, batch_sizebatch_size, shuffleTrue) test_loader DataLoader(test_set, batch_size1, shuffleFalse) loss mseLoss epochs 20 #运行轮次 lr 0.001 #学习率 device cuda if torch.cuda.is_available() else cpu print(device) data_dim 93 model myModel(data_dim).to(device) save_path model_save/best_model.pth rel_path pred.csv optimizer optim.SGD(paramsmodel.parameters(), lrlr, momentum0.9) train_val(model, train_loader, val_loader, lr, optimizer, device, epochs, save_path) #提交 evaluate(save_path, test_loader, rel_path, device)三、代码下载通过网盘分享的文件回归实战新冠病毒感染人数预测链接: https://pan.baidu.com/s/17XfOi1X3ANCewa1-RJWqEw?pwdz57b 提取码: z57b