- 🍨 本文为🔗365天深度学习训练营中的学习记录博客
- 🍖 原作者：K同学啊
任务：
数据集中提供了火灾温度（Tem1）、一氧化碳浓度（CO 1）烟雾浓度（Soot 1）。随着时间变化数据，需要根据这些数据对未来某一时刻的火灾温度做出预测。
要求：
1.了解LSTM是什么，并使用其构建一个完整的程序
2.R2达到0.83
拔高：
使用第1-8个时刻的数据预测第9-10个时刻的温度数据
一、理论知识基础
1.LSTM原理
LSTM---RNN进阶版
如果RNN的最大限度是理解一句话，则LSTM的最大限度是理解一段话。
具体：
LSTM，长短期记忆网络（Long Short Term Memory networks）,一种特有的RNN，能够学习到长期依赖关系。
所有的循环神经网络都有着重复的神经网络模块形成链的形式。在普通的RNN中、重复模块结构非常简单，其结构如下：
LSTM避免了长期以来的问题、可以记住长期信息！ LSTM内部有较为复杂的结构，能通过门控状态来选择调整传输的信息，需要长时间记忆的信息，忘记不重要的信息。
2.LSTM的数据处理流程
将时序数据（LSTM输入数据）以可视化形式呈现。
根据输入的数据结构、预测输出、程序可以分为以下六类：
3.代码实现
1.前期准备
1.1导入数据
import torch.nn.functional as F
import numpy as np
import pandas as pd
import torch
from torch import nn
数据：训练营提供
data = pd.read_csv('/PythonProject/woodpine2.csv')print(data)结果输出：
因为过年，台式机不在身边，尝试在线代码平台。
问题：Module Not FoundError：No module named ‘torch’
这个在线平台与平常学习环境很类似，比较好上手，但还没有找到如何安装torch的正确方法。
显示已经装好torch，但实际上没有办法继续使用，还在寻找更合适的方法。
1.2数据集可视化
import matplotlib.pyplot as plt
import seaborn as snsplt.rcParams['savefig.dpi'] = 500 #图片像素
plt.rcParams['figure.dpi'] = 500 #分辨率fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(14, 3))sns.lineplot(data=data["Tem1"], ax=ax[0])
sns.lineplot(data=data["CO 1"], ax=ax[1])
sns.lineplot(data=data["Soot 1"], ax=ax[2])
plt.show()
结果输出：
dataFrame = data.iloc[:,1:]
print(dataFrame)
2.构建数据集
2.1数据集预处理
from sklearn.preprocessing import MinMaxScaler dataFrame = data.iloc[:,1:].copy()
sc = MinMaxScaler(feature_range=(0, 1)) #将数据归一化，范围是0到1for i in ['CO 1', 'Soot 1', 'Tem1']:dataFrame[i] = sc.fit_transform(dataFrame[i].values.reshape(-1, 1))print(dataFrame.shape)
2.2设置x、y
width_X = 8
width_y = 1X = []
y = []in_start = 0for _, _ in data.iterrows():in_end = in_start + width_Xout_end = in_end + width_yif out_end < len(dataFrame):X_ = np.array(dataFrame.iloc[in_start:in_end , ])y_ = np.array(dataFrame.iloc[in_end :out_end, 0])X.append(X_)y.append(y_)in_start += 1X = np.array(X)
y = np.array(y).reshape(-1,1,1)print(X.shape, y.shape)
结果输出：
2.3划分数据集
X_train = torch.tensor(np.array(X[:5000]), dtype=torch.float32)
y_train = torch.tensor(np.array(y[:5000]), dtype=torch.float32)X_test = torch.tensor(np.array(X[5000:]), dtype=torch.float32)
y_test = torch.tensor(np.array(y[5000:]), dtype=torch.float32)print(X_train.shape, y_train.shape)
结果输出：
from torch.utils.data import TensorDataset, DataLoadertrain_dl = DataLoader(TensorDataset(X_train, y_train),batch_size=64, shuffle=False)test_dl = DataLoader(TensorDataset(X_test, y_test),batch_size=64, shuffle=False)
3.模型训练
3.1构建LSTM模型
# 构建模型
class model_lstm(nn.Module): classmodel_lstm（classmodel_lstm）： def __init__(self): super(model_lstm, self).__init__() self.lstm0 = nn.LSTM(input_size=3 ,hidden_size=320, num_layers=1, batch_first=True) self.lstm1 = nn.LSTM(input_size=320 ,hidden_size=320,num_layers=1, batch_first=True) self.fc0 = nn.Linear(320, 1) def forward(self, x): Defforward（self，x）： out, hidden1 = self.lstm0(x) out, _ = self.lstm1(out, hidden1) out = self.fc0(out) return out[:, -1:, :] #取2个预测值,否则经过lstm会得到8*2个预测 model = model_lstm()
print(model model模型)
修改后得到
model(torch.rand(30,8,3)).shape
3.2定义训练/测试函数
# 定义训练函数
import copy
def train(train_dl, model, loss_fn, opt, lr_scheduler=None):size = len(train_dl.dataset) num_batches = len(train_dl) train_loss = 0 # 初始化训练损失和正确率for x, y in train_dl: x, y = x.to(device), y.to(device)# 计算预测误差pred = model(x) # 网络输出loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距# 反向传播opt.zero_grad() # grad属性归零loss.backward() # 反向传播opt.step() # 每一步自动更新# 记录losstrain_loss += loss.item()if lr_scheduler is not None:lr_scheduler.step()print("learning rate = {:.5f}".format(opt.param_groups[0]['lr']), end=" ")train_loss /= num_batchesreturn train_loss
# 定义测试函数
def test (dataloader, model, loss_fn): size = len(dataloader.dataset) # 测试集的大小 num_batches = len(dataloader) # 批次数目 test_loss = 0 # 当不进行训练时，停止梯度更新，节省计算内存消耗 with torch.no_grad(): for x, y in dataloader: x, y = x.to(device), y.to(device) # 计算loss y_pred = model(x) loss = loss_fn(y_pred, y) test_loss += loss.item() test_loss /= num_batches return test_loss
3.3正式训练
#设置GPU训练
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
deviceX_test = X_test.to(device)#训练模型
model = model_lstm()
model = model.to(device)
loss_fn = nn.MSELoss() # 创建损失函数
learn_rate = 1e-1 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate,weight_decay=1e-4)
epochs = 50
train_loss = []
test_loss = []
lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt,epochs, last_epoch=-1) for epoch in range(epochs):model.train()epoch_train_loss = train(train_dl, model, loss_fn, opt, lr_scheduler)model.eval()epoch_test_loss = test(test_dl, model, loss_fn)train_loss.append(epoch_train_loss)test_loss.append(epoch_test_loss)template = ('Epoch:{:2d}, Train_loss:{:.5f}, Test_loss:{:.5f}')print(template.format(epoch+1, epoch_train_loss, epoch_test_loss))print("="*20, 'Done', "="*20)
让同学帮忙跑了代码，得到部分结果
4.模型评估
4.1 LOSS图
import matplotlib.pyplot as plt importmatplotlib.pyplotaspltplt.figure(figsize=(5, 3),dpi=120) 图（图大小=（5.3），dpi=120） plt.plot(train_loss , label='LSTM Training Loss') plt.plot（train_loss，Label ='LSTM训练损失'）
plt.plot(test_loss, label='LSTM Validation Loss') plt.plot（test_loss，tag ="LSTM验证丢失"） plt.title('Training and Validation Loss') plt.title（“培训和验证损失”）
plt.legend() legend（）
plt.show() plt.show）搜索结果
4.2调用模型进行预测
# 测试集输入模型进行预测
# predicted_y_lstm = sc.inverse_transform(model(X_test).detach().numpy().reshape(-1,1))
predicted_y_lstm = sc.inverse_transform(model(X_test).detach().cpu().numpy().reshape(-1,1))
y_test_1 = sc.inverse_transform(y_test.reshape(-1,1))
y_test_one = [i[0] for i in y_test_1]
predicted_y_lstm_one = [i[0] for i in predicted_y_lstm]plt.figure(figsize=(5, 3),dpi=120)
# 画出真实数据和预测数据的对比曲线
plt.plot(y_test_one[:2000], color='red', label='real_temp')
plt.plot(predicted_y_lstm_one[:2000], color='blue', label='prediction')plt.title('Title')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()
4.3R2值评估
from sklearn import metrics
"""
RMSE ：均方根误差 -----> 对均方误差开方
R2 ：决定系数，可以简单理解为反映模型拟合优度的重要的统计量
"""
RMSE_lstm = metrics.mean_squared_error(predicted_y_lstm_one, y_test_1)**0.5
R2_lstm = metrics.r2_score(predicted_y_lstm_one, y_test_1)print('均方根误差: %.5f' % RMSE_lstm)
print('R2: %.5f' % R2_lstm)
二、总结
这周真的很混乱，身边没有台式机，在线平台也没有想象中好用，可能是我没有找到方式。LSTM学习掌握的很一般，明天就能有台式机。重新修改学习记录。文字知识已大致掌握，还需要代码加强。
LSTM的优点：
1.解决梯度消失问题：传统的RNN在处理长序列时容易出现梯度消失的问题，导致难以训练。
2.捕捉长期依赖关系：相比传统的RNN，LSTM有更好的记忆性能，可以在处理序列数据时保留较远的上下文信息。
3.可以学习到时序特征：LSTM具有对时间的敏感性，能够学习到时序数据中的模式和特征。这使得LSTM在时间序列预测、信号处理等任务中具有优势。
LSTM的缺点：
1.计算优化
2.模型简化
3.数据增强和迁移学习
这周真是失败的一次学习打卡。。。困难多多
