多层感知机回归预测python代码pytorch

原创

mob649e8154b5bf 2024-11-23 04:39:06 ©著作权

©著作权归作者所有：来自51CTO博客作者mob649e8154b5bf的原创作品，请联系作者获取转载授权，否则将追究法律责任

多层感知机回归预测

引言

随着机器学习技术的飞速发展，回归问题被广泛应用于各个领域，如房价预测、股票价格预测等。多层感知机（MLP）是一种常见的深度学习模型，适用于处理回归问题。本文将介绍如何使用PyTorch实现一个简单的多层感知机回归预测模型，并提供具体的代码示例。

什么是多层感知机？

多层感知机（MLP）是一种前馈神经网络，包含一个输入层、多个隐藏层和一个输出层。每层之间的神经元通过权重连接，相邻层之间的神经元相互作用，通过激活函数生成输出。MLP能够学习复杂的非线性关系，因此在回归任务中表现良好。

数据准备

在开始编写代码之前，我们需要准备一份数据集。典型的回归数据集可以是二维的，例如房价预测数据集。这里我们使用生成的数据来进行演示。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

plt.scatter(X, y)
plt.xlabel("X")
plt.ylabel("y")
plt.title("生成的随机数据")
plt.show()

这段代码生成了一个简单的线性关系的随机数据集，并通过散点图展示了数据的分布。

构建多层感知机

接下来，我们使用PyTorch构建一个简单的多层感知机模型。我们将使用torch.nn模块来定义模型结构。

import torch
import torch.nn as nn
import torch.optim as optim

# 定义MLP模型
class MLPRegressor(nn.Module):
    def __init__(self):
        super(MLPRegressor, self).__init__()
        self.fc1 = nn.Linear(1, 10)  # 输入层到隐藏层
        self.fc2 = nn.Linear(10, 1)   # 隐藏层到输出层
        self.relu = nn.ReLU()          # 激活函数

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

类型图

在这里，我们使用Mermaid语法表示类图，以帮助我们更好地理解模型的结构：

classDiagram
    class MLPRegressor {
        +__init__()
        +forward(x)
    }

模型训练

在构建好模型后，我们将训练这个模型。在这里，我们使用均方误差作为损失函数，并使用随机梯度下降（SGD）作为优化器。

# 转换数据为Tensor
X_tensor = torch.FloatTensor(X)
y_tensor = torch.FloatTensor(y)

# 实例化模型、定义损失函数与优化器
model = MLPRegressor()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    model.train()
    
    # 前向传播
    outputs = model(X_tensor)
    loss = criterion(outputs, y_tensor)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 100 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

结果可视化

训练完成后，我们可以通过绘制预测结果与真实值的散点图来可视化模型的性能。

# 预测
model.eval（)
with torch.no_grad():
    predicted = model(X_tensor).numpy()

# 绘制结果
plt.scatter(X, y, label='真实值', color='blue')
plt.plot(X, predicted, label='预测值', color='red')
plt.xlabel("X")
plt.ylabel("y")
plt.title("真实值与预测值对比")
plt.legend()
plt.show()

项目进度

在整个项目的开展过程中，我们可以使用甘特图来展示任务的进度。以下是一个示例甘特图，说明了各个阶段的时间分配。

gantt
    title 项目进度
    dateFormat  YYYY-MM-DD
    section 数据准备
    数据生成           :done,    des1, 2023-10-01, 3d
    section 模型构建
    多层感知机构建     :active,  des2, 2023-10-04, 2d
    section 模型训练
    模型训练           :         des3, 2023-10-06, 5d
    section 可视化
    结果可视化         :         des4, 2023-10-11, 2d