在PyTorch中开发我们的第一个神经网络

本教程将介绍初学者在PyTorch中构建神经网络的过程。我们将通过一个项目逐步进行操作。本教程将使用Kaggle上的Heart.csv数据集，请随时下载数据集并跟随教程进行：https://www.kaggle.com/rashikrahmanpritom/heart-attack-analysis-prediction-dataset

首先，导入必要的包：

import pandas as pd
from collections import OrderedDict
from torch.optim import SGD
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_blobs
import torch.nn as nn
import torch

数据集中有一些列的数据类型是'object'。在进行任何建模之前，这些列的数据类型应该被转换为数字。

for i in df.columns:
  if df[i].dtype == 'object':
      df[i] = df[i].astype('category').cat.codes
df

输出：

如我们所见，现在所有的数据都是数字形式的。最后一列是'HeartDisease'，它有两个唯一的值：0和1。假设这是目标变量，也就是本练习的目标是根据表中可用的其他参数确定'HeartDisease'。

定义模型的训练和目标变量：

X = df.drop(columns=['HeartDisease'])
y = df['HeartDisease']
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=21)

为了使用PyTorch模型，数据需要以'torch'格式存在。但是x_train和x_test数据是DataFrame形式的。DataFrame不能直接转换为torch。因此，首先将数据转换为numpy数组，然后再转换为torch：

x_train, x_test, y_train, y_test = np.array(x_train), np.array(x_test), np.array(y_train), np.array(y_test)
trainX = torch.from_numpy(x_train).float()
testX = torch.from_numpy(x_test).float()
trainY = torch.from_numpy(y_train).float()
testY = torch.from_numpy(y_test).float()

模型开发：

由于这是为初学者准备的，我们将选择一个简单的神经网络。神经网络是一系列层。我们将使用一个简单的Sequential模型，其中包含2个隐藏层。让我们先看看模型是什么样子，然后我会解释它。

class HeartDisease(nn.Module):
  def __init__(self):
      super().__init__()
      self.hidden1 = nn.Linear(11, 128)
      self.act1 = nn.ReLU()
      self.hidden2 = nn.Linear(128, 64)
      self.act2 = nn.ReLU()
      self.output = nn.Linear(64, 1)
      self.act_output = nn.Sigmoid()
  def forward(self, x):
      x = self.act1(self.hidden1(x))
      x = self.act2(self.hidden2(x))
      x = self.act_output(self.output(x))
      return x

这是一个非常简单的神经网络，有两个隐藏层。第一个隐藏层的输入是11，输出是128。在这里，11是训练特征所取的特征数或列数，128是第一个隐藏层中的神经元数。我选择的数字128是可以尝试其他数字的。神经元的数量可以看作是需要找出的超参数。通常，它是通过大量试验和错误来确定的。

hidden1的输出应该是hidden2的输入。因此，hidden2的输入是128，我选择输出为64。最后，在输出层中，输入是64，输出是1，因为这是一个二分类。如果有10个类别，输出将是10。

在分类问题中，输出需要经过一个激活函数，该函数给出一个在0到1之间范围的概率。因此，可以将其四舍五入为1或四舍五入为0。

隐藏层的数量也是通过试验和错误确定的。

然后，在HeartDisease()方法之后的forward函数调用层，最终返回输出，即我们的预测值。

打印模型：

model = HeartDisease()
print(model)

输出：

HeartDisease(
(hidden1): Linear(in_features=11, out_features=128, bias=True)
(act1): ReLU()
(hidden2): Linear(in_features=128, out_features=64, bias=True)
(act2): ReLU()
(output): Linear(in_features=64, out_features=1, bias=True)
(act_output): Sigmoid()
)

损失函数和优化器：

mport torch.optim as optim
loss_fn = nn.BCELoss() # 二进制交叉熵
optimizer = optim.Adam(model.parameters(), lr=0.001)

现在是模型训练的部分。我将模型训练了150个时期，并使用了批量大小为64。对于每个时期，使用我们定义的模型计算预测标签，并使用预测标签和真实标签计算损失。棘手的部分是在转到下一个时期之前应该将梯度固定为零。否则，来自前一个时期的梯度将累加到当前时期，模型训练将不正确。

epochs = 150
batch_size = 64
for epoch in range(epochs):
  for i in range(0, len(trainX), batch_size):
      Xbatch = trainX[i
:i+batch_size]
      y_pred = model(Xbatch)
      ybatch = trainY[i:i+batch_size]
      loss = loss_fn(torch.flatten(y_pred), ybatch)
      optimizer.zero_grad()
      loss.backward()
      optimizer.step()
  print(f'Finished epoch {epoch}, latest loss {loss}')

输出：

Finished epoch 0, latest loss 0.46334463357925415
Finished epoch 1, latest loss 0.5276321172714233
Finished epoch 2, latest loss 0.5331380367279053
Finished epoch 3, latest loss 0.5323242545127869
...
...
...
Finished epoch 147, latest loss 0.16034317016601562
Finished epoch 148, latest loss 0.14931809902191162
Finished epoch 149, latest loss 0.15581083297729492

我只展示了一些模型训练过程中的损失输出，以展示损失如何逐渐下降。现在，是时候检查模型的性能了。

模型在测试数据上的预测准确度：

with torch.no_grad():
  y_pred = model(testX)
accuracy = len((y_pred.round() == testY).float()) / len(testY)
accuracy

输出：

1.0

模型在训练数据上的预测准确度：

with torch.no_grad():
  y_pred = model(trainX)
accuracy = len((y_pred.round() == trainY)) / len(trainY)
accuracy

输出：

1.0

结论

如果我们是TensorFlow用户，模型训练可能会感觉太手动了。但在工业和研究中，许多人喜欢这个手动训练过程，因为它提供了很多控制。我认为我们至少应该学习这个过程，以便在必要时可以使用它。

· END ·

HAPPY LIFE

本文仅供学习交流使用，如有侵权请联系作者删除