>#Pytorch 预测产量（易化学习笔记一） [TOC] ## 实验目的（二维） tn2>通过温度进行产量预测。  ## 实验代码 ### 导入数据集 ```python import torch import matplotlib.pyplot as plt ## 1.导入数据集 # 输入样本数据集 inputs = torch.tensor([[10.1, 12., 12.4, 15.,17.1]]) # 目标样本集 targets = torch.tensor([[200., 230., 249., 370., 391.]]) # 创建1*1的随机矩阵，元素是随机选取自一个均值为0 且标准差为1的正态分布 w = torch.randn(1, 1, requires_grad=True) # 创建1*1的随机数 b = torch.randn(1, 1, requires_grad=True) ``` ### 构建模型 ```python ## 2.构建模型 # 定义模型 def model(x): # 线性回归算法 return x * w + b # 定义均方差损失函数 -> 比较预测值与目标值差距 def loss_mse(p,t): diff = p - t return torch.mean(diff * diff) / diff.numel() ``` ### 训练模型 ```python # 学习率 learning_rate = 1e-5 # 训练13000轮 for i in range(13000): # 模型对输入进行预测 preds = model(inputs) # 计算损失函数 loss = loss_mse(preds, targets) # 反向传播 loss.backward() # 更新权重和偏置 with torch.no_grad(): w -= learning_rate * w.grad b -= learning_rate * b.grad # 梯度清零 w.grad.zero_() b.grad.zero_() # 每训练500次打印一次 if i % 500 == 0: print('Epoch %d, Loss: %.3f' % (i, loss.item())) plt.plot(inputs.numpy(),targets.numpy(),'go',label='样本点集') # 显示预测结果 plt.plot(inputs.numpy()[0],preds.detach().numpy()[0],'r-',lw=3) #plt.show() ```  tn2>可以发现它的损失越来越低，预测的正确率越来越高。 ### 预测 ```python ## 4.模型评估 # 输入全新的值（温度），预测输出的值（产量） new_inputs = torch.tensor([[11.1]]) print("输入新值的单点：\n",new_inputs) preds = model(new_inputs) print("预测out：\n",preds) # 输入多点的值（温度），预测输出的值（产量） new_inputs = torch.tensor([[11.1,23.5,32.1]]) print("输入新值的多点：\n",new_inputs) preds = model(new_inputs) print("预测out：\n",preds) ```  ## 实验目的（三维）   tn2>通过温度、降雨量和光照进行预测苹果和桔子的产量。 ```python import torch import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置默认字体为黑体 plt.rcParams['axes.unicode_minus'] = False # 正常显示负号 ## 1.导入数据集 # 输入样本数据集 inputs = torch.tensor([ [10.1, 12., 12.4, 15.,17.1], [100., 120., 130., 150., 160.], [36., 39., 42., 54., 69.] ]) # 目标样本集 targets = torch.tensor([ [200., 230., 249., 370., 391.], [410., 470., 520., 711., 823.] ]) # 创建3*2的随机矩阵，元素是随机选取自一个均值为0 且标准差为1的正态分布 w = torch.randn(2, 3, requires_grad=True) # 创建1*1的随机数 b = torch.randn(2, 1, requires_grad=True) ## 2.构建模型 # 定义模型 def model(x): # 线性回归算法 return torch.matmul(w, x) + b # 定义均方差损失函数 -> 比较预测值与目标值差距 def loss_mse(p,t): diff = p - t return torch.mean(diff * diff) / diff.numel() ## 3.训练模型 # 学习率 learning_rate = 1e-5 # 训练3000轮 for i in range(13000): # 模型对输入进行预测 preds = model(inputs) # 计算损失函数 loss = loss_mse(preds, targets) # 反向传播 loss.backward() # 更新权重和偏置 with torch.no_grad(): w -= learning_rate * w.grad b -= learning_rate * b.grad # 梯度清零 w.grad.zero_() b.grad.zero_() # 每训练500次打印一次 if i % 500 == 0: print('Epoch %d, Loss: %.3f' % (i, loss.item())) # 绘图 fig = plt.figure(figsize=(12, 6)) for j in range(targets.shape[0]): ax = fig.add_subplot(1, 2, j+1, projection='3d') ax.scatter(inputs[0].numpy(), inputs[1].numpy(), targets[j].numpy(), c='g', marker='o', label='样本点集') ax.plot(inputs[0].numpy(), inputs[1].numpy(), preds[j].detach().numpy(), 'r-', lw=3) ax.set_xlabel('温度') ax.set_ylabel('降雨量') ax.set_zlabel('产量' if j == 0 else '目标') ax.set_title(f'{"苹果" if j == 0 else "桔子"} 产量预测') # 添加标注 for k in range(inputs.shape[1]): ax.text(inputs[0, k].item(), inputs[1, k].item(), targets[j, k].item(), f'({inputs[0, k].item()}, {inputs[1, k].item()}, {targets[j, k].item()})', fontsize=9) ax.legend() plt.show() ```  ### 简化 ```python import torch import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置默认字体为黑体 plt.rcParams['axes.unicode_minus'] = False # 正常显示负号 ## 1.导入数据集 # 输入样本数据集 inputs = torch.tensor([ [10.1, 12., 12.4, 15.,17.1], [100., 120., 130., 150., 160.], [36., 39., 42., 54., 69.] ]).T # 目标样本集 targets = torch.tensor([ [200., 230., 249., 370., 391.], [410., 470., 520., 711., 823.] ]).T from torch import nn # 设置内置的线性回归 model = nn.Linear(3,2) # 内置均值损失函数 loss_mse = nn.MSELoss() # 设置优化器 随机梯度下降，学习速率为10^-5 optimizer = torch.optim.SGD(model.parameters(),lr = 1e-5) ## 训练评估 # 训练3000论 num_epochs = 3000 for i in range(num_epochs): # 向前传播 preds = model(inputs) # 计算损失函数 loss = loss_mse(preds, targets) # 梯度清零 optimizer.zero_grad() # 反向传播 loss.backward() # 按照学习率减去少量梯度来调整权重 optimizer.step() # 每训练500次打印一次 if i % 500 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(i + 1,num_epochs, loss.item())) print('targets is :\n',targets.T) print('preds after train: \n',preds.T) ```  ```python # 单点预测 new_inputs = torch.tensor([[11.1],[98.],[35.]]).T print("输入新值（单点）：\n",new_inputs.T) preds = model(new_inputs) print("预测out：\n",preds.T) # 多点预测 new_inputs = torch.tensor([[11.1,16.2],[98.,102.3],[35.,40.2]]).T print("输入新值（多点）：\n",new_inputs.T) preds = model(new_inputs) print("预测out：\n",preds.T) ```