- 🍨 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
要求：
1.本地读取并加载数据
2.了解循环神经网络（RNN）的构建过程
3.测试集accuracy到达87%
拔高：
测试机accuracy到达89%
一、基础知识
RNN（Recurrent Neural Network）
用于处理序列数据。
传统神经网络的结果简单：输入层--隐藏层--输出层
RNN与传统神经网络的最大区别：每次都会将前一次的输出结果，带到下一次隐藏层中，一起训练。
代码流程图：
二、代码复现
1.前期准备
1.1 设置GPU
import numpy as np
import pandas as pd
import torch
from torch import nn
import torch.nn.functional as F
import seaborn as sns
#设置GPU训练，也可使用cpu
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)输出结果：
1.2导入数据
df = pd.read_csv("heart.csv")
print(df)输出结果：
数据介绍：
1.age：年龄
2.sex：性别
3.cp：胸痛类型（4 values）
4.trestbps：静息血压
5.chol：血清胆甾醇（mg/dl）
6.fbs：空腹血糖＞120mg/dl
7.restecg：静息心电图结果（值0,1,2）
8.thalach：达到的最大心率
9.exang：运动诱发的心绞痛
10.oldpeak：相对于静止状态，运动引起的ST段压低
11.slope：运动峰值ST段的斜率
12.ca：荧光透视着色的主要血管数量（0-3）
13.thal：0=正常；1=固定缺陷；2=可逆转的缺陷
14.target：0=心脏病发作的几率较小；1=心脏病发作的几率更大
2.构建数据集
2.1标准化
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
x = df.iloc[:,:-1]
y = df.iloc[:,:-1]
#将每一列特征标准化为标准正太分布，注意：标准化是针对每一列而言
sc = StandardScaler()
x = sc.fit_transform(x)
2.2划分数据集
x = torch.tensor(np.array(x), dtype=torch.float32)
y = torch.tensor(np.array(y), dtype=torch.int64)
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.1,random_state=1)
print(x_train.shape,y_train.shape)输出结果：
2.3构建数据加载器
from torch.utils.data import TensorDataset, DataLoader
train_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)测试集与验证集的关系：
1.验证集没有参与训练过程的梯度下降过程，狭义上讲是没有参与模型的参数训练更新
2.广义上，验证集存在意义--参与了一个“人工调参”的过程，根据每一个epoch训练后模型在验证集上的表现决定是否需要训练进行提前结束，或者根据这个过程的模型性能来调整模型的超参数，如学习率。
3.验证集也参与了训练，但没有使模型去overfit验证集。
3.模型训练
3.1构建模型
class model_rnn(nn.Module):
def __init__(self):
super(model_rnn, self).__init__()
self.rnn0 = nn.RNN(input_size=13, hidden_size=200,
num_layers=1, batch_first=True)
self.fc0 = nn.Linear(200,50)
self.fc1 = nn.Linear(50, 2)
def forward(self, x):
out, hidden1 = self.rnn0(x)
out = self.fc0(out)
out = self.fc1(out)
return out
model = model_rnn().to(device)
print(model)输出结果：
看一下模型的输出数据集格式是什么
#模型的输出数据集格式是什么
print(model(torch.rand(30,13).to(device)).shape)输出结果：
3.2定义训练函数
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小
num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for x, y in dataloader: # 获取图片及其标签
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，targets为真实值，计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
train_loss += loss.item()
train_acc /= size
train_loss /= num_batches
return train_acc, train_loss
3.3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, test_acc = 0, 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 imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
target_pred = model(imgs)
loss = loss_fn(target_pred, target)
test_loss += loss.item()
test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()
test_acc /= size
test_loss /= num_batches
return test_acc, test_loss3.4正式训练模型
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-4
opt = torch.optim.Adam(model.parameters(), lr=learn_rate)
epochs = 50
train_loss = []
train_acc = []
test_loss = []
test_acc = []
for epoch in range(epochs):
model.train()
epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)
train_acc.append(epoch_train_acc)
train_loss.append(epoch_train_loss)
test_acc.append(epoch_test_acc)
test_loss.append(epoch_test_loss)
# 获取当前的学习率
lr = opt.state_dict()['param_groups'][0]['lr']
template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')
print(template.format(epoch + 1, epoch_train_acc * 100, epoch_train_loss,
epoch_test_acc * 100, epoch_test_loss, lr))
print("="*20, 'Done', "="*20)4.模型评估
4.1Loss与Accuracy图
import matplotlib.pyplot as plt
from datetime import datetime
# 隐藏警告
import warnings
warnings.filterwarnings("ignore") # 忽略警告信息
current_time = datatime.now()#获取当前时间
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 200 # 分辨率
epochs_range = range(epochs)
plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time)
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()三、总结
1.遇到的问题一：
解决方法：没有安装seaborn库-----pip install seaborn
2.遇到问题二：
解决方法：pip install scikit-learn
3.遇到问题三：
解决方法：
模型没有实例化，model = model_rnn().to(device)写成了model = model_rnn.to(device)
4.遇到问题四：
解决方法：
在使用pytorch的empty函数时传递的参数有误。
输入代码时细节敲错
5.遇到问题五：
还没有解决，
个人总结：RNN的重要特点---每一步的参数共享。但代码能力还是太弱，代码对了好几遍，都没有问题，但还是无法运行。关于pytorch的讲解不多，遇到的问题会多一些。能大概找到问题可能出在“正式训练模型”，但改了好多遍都没有改对。
