🍨 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
1.检查GPU
import tensorflow as tf
import pandas as pd
import numpy as np
gpus = tf.config.list_physical_devices("GPU")
if gpus:
tf.config.experimental.set_memory_growth(gpus[0], True) #设置GPU显存用量按需使用
tf.config.set_visible_devices([gpus[0]],"GPU")
print(gpus)
2.查看数据
import pandas as pd
import numpy as np
df = pd.read_csv("data/heart.csv")
df
# 检查是否有空值
df.isnull().sum()
3.划分数据集
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
X = df.iloc[:,:-1]
y = df.iloc[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)
X_train.shape, y_train.shape
# 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的
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)
4.创建模型与编译训练
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN
model = Sequential()
model.add(SimpleRNN(200, input_shape= (13,1), activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()
5.编译及训练模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy',
optimizer=opt,
metrics=["accuracy"])
epochs = 100
history = model.fit(X_train, y_train,
epochs=epochs,
batch_size=128,
validation_data=(X_test, y_test),
verbose=1)
6.结果可视化
import matplotlib.pyplot as plt
from datetime import datetime
current_time = datetime.now() # 获取当前时间
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epochs)
plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time) # 打卡请带上时间戳，否则代码截图无效
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
7.模型评估
scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
总结：
1.RNN
1. RNN是什么？
RNN是一种专门处理序列数据 的神经网络。它的特点是能够利用"记忆"（隐藏状态）来捕捉序列中的时序信息。比如：
- 自然语言（句子中的单词顺序）
- 时间序列数据（股票价格、传感器数据）
- 语音信号（声音的先后顺序）
传统神经网络（如CNN）假设输入是独立的，而RNN通过循环结构让当前时刻的输出依赖之前的输入，从而建模时间依赖关系。
2. 核心思想：循环与记忆
- 隐藏状态（Hidden State）：RNN的"记忆单元"，保存了历史信息。
- 循环机制 ：每一步的隐藏状态会传递到下一步，与当前输入共同决定输出。
公式简化版 ：
ht=f(ht−1,xt)
其中，ht是当前时刻的隐藏状态，xt是当前输入，f是激活函数（如tanh）
2. 实验概述
本实验基于心脏病诊断数据构建二分类模型，目标是通过患者生理特征预测心脏病存在与否。采用标准化预处理后的数据输入SimpleRNN网络，结合全连接层进行特征学习与分类。实验通过100轮训练，以Adam优化器（学习率1e-4）和二元交叉熵损失函数优化模型，最终通过准确率评估性能，并可视化训练过程曲线。
3. 核心结果分析
-
模型有效性
模型在训练集与测试集上均展现出稳定的学习趋势。训练后期，训练集与验证集的准确率曲线趋近 ，表明模型未出现显著过拟合；损失曲线同步下降，反映优化过程收敛稳定。测试集准确率（需运行后获取具体数值）可初步验证模型对心脏病预测任务的适用性。
-
结构适配性
尽管SimpleRNN常用于时间序列数据，但本实验将非时序的静态特征重塑为序列格式输入RNN，可能引入冗余计算。若数据无时序关联性，可尝试全连接网络（DNN） 或卷积网络（CNN）简化结构，提升效率。