R1周：Pytorch｜RNN-心脏病预测

🍨 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

前言

什么是循环神经网络（RNN）？
- 前面学过的CNN（卷积神经网络）擅长处理图像这种空间结构数据，但它没法处理文本中这种先后的联系。比如，看一句话我今天心情好，CNN可以提取每个字的特征，但它不知道"今天"在"心情"前面，也不知道"我"是这句话的主语。而RNN的核心思想是：网络在处理当前时刻的输入时，会同时记住上一时刻的状态，然后把两者结合起来做判断。

代码实现

设置 GPU 与导入依赖

python 复制代码

# 设置 GPU 与导入依赖
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，也可以使用CPU
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")

device

本地读取并加载数据

数据分析思路：
- 本次实验的数据是结构化表格数据（heart.csv），包含 13 项特征（年龄、性别、血压等生理指标）和一个二分类标签。说明如下：
  - age：年龄
  - sex：性别
  - cp：胸痛类型 (4 values)
  - trestbps：静息血压
  - chol：血清胆甾醇 (mg/dl
  - fbs：空腹血糖 > 120 mg/dl
  - restecg：静息心电图结果 (值 0,1 ,2)
  - thalach：达到的最大心率
  - exang：运动诱发的心绞痛
  - oldpeak：相对于静止状态，运动引起的ST段压低
  - slope：运动峰值 ST 段的斜率
  - ca：荧光透视着色的主要血管数量 (0-3)
  - thal：0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷
  - target： 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大

python 复制代码

# 读取 CSV 数据文件
df = pd.read_csv("heart.csv")

print(f"数据形状: {df.shape[0]} 行 × {df.shape[1]} 列")
print(f"特征列名: {list(df.columns[:-1])}")
print(f"标签列名: {df.columns[-1]}")
print(df.iloc[:,-1].value_counts().to_string())

df.head()

python 复制代码

# 特征工程 & 数据集划分
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
sc = StandardScaler()
X  = sc.fit_transform(X)

print(f"标准化后的特征范围: [{X.min():.2f}, {X.max():.2f}]")

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 = 70)

print(f"训练集样本数: {len(X_train)}")
print(f"测试集样本数:  {len(X_test)}")

# 维度扩增使其符合RNN模型可接受shape
X_train = X_train.unsqueeze(1)
X_test  = X_test.unsqueeze(1)

print(f"X_train shape: {X_train.shape}   →  (样本数, seq_len=1, 特征数=13)")
print(f"X_test  shape: {X_test.shape}")
print(f"y_train shape: {y_train.shape}")
print(f"y_test  shape: {y_test.shape}")

python 复制代码

# DataLoader
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)

# 取出一个 batch 看看实际形状
sample_X, sample_y = next(iter(train_dl))
print(f"一个 batch 的数据形状: {sample_X.shape}")
print(f"一个 batch 的标签形状: {sample_y.shape}")
print(f"标签示例: {sample_y[:5].tolist()}")

构建循环神经网络（RNN）模型

模型结构分析：
- 本次构建的是一个单层单向 RNN + 两层全连接的二分类模型，结构如下：
  1. RNN 层：nn.RNN(input_size=13, hidden_size=200, num_layers=1, batch_first=True)。输入为 13 维特征向量，隐藏状态维度为 200，单层 RNN。batch_first=True 让输入张量的形状为 (batch, seq_len, input_size)。
  2. 全连接层 1：nn.Linear(200, 50)，将 RNN 输出的 200 维隐藏状态压缩到 50 维，进一步提取高层特征。
  3. 全连接层 2（输出层）：nn.Linear(50, 2)，输出 2 个类别的 logits，配合 CrossEntropyLoss 得到最终分类概率。

python 复制代码

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, _ = self.rnn0(x) 
        out    = out[:, -1, :]  # 只取最后一个时间步的输出
        out    = self.fc0(out) 
        out    = self.fc1(out) 
        return out   

model = model_rnn().to(device)
model

python 复制代码

model(torch.rand(30, 1, 13).to(device)).shape

训练函数

python 复制代码

# 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

测试函数

python 复制代码

def test (dataloader, model, loss_fn):
    size        = len(dataloader.dataset)  # 测试集的大小
    num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)
    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_loss

超参数配置与正式训练

python 复制代码

loss_fn    = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-3 # 学习率
opt        = torch.optim.Adam(model.parameters(),lr=learn_rate)
epochs     = 30

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("训练完成")

可视化训练结果

python 复制代码

import matplotlib.pyplot as plt
from datetime import datetime
# 隐藏警告
import warnings
warnings.filterwarnings("ignore")  # 忽略警告信息

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

# 获取当前时间
current_time = datetime.now().strftime("%Y-%m-%d %H:%M:%S")

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))

# 左图：准确率
plt.subplot(1, 2, 1)
plt.plot(epochs_range, train_acc, label='训练准确率')
plt.plot(epochs_range, test_acc, label='测试准确率')
plt.legend(loc='lower right')
plt.title('训练与验证准确率')

# 右图：损失
plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='训练损失')
plt.plot(epochs_range, test_loss, label='测试损失')
plt.legend(loc='upper right')
plt.title('训练与验证损失')

# 在整个图的上方添加时间
plt.suptitle(f"训练完成时间: {current_time}", fontsize=10, y=1.02)

plt.tight_layout()
plt.show()

模型评估与混淆矩阵

除了准确率外，混淆矩阵的四个象限分别表示：
- 左上：真阴性（TN）------ 预测没病，实际也没病
- 右上：假阳性（FP）------ 预测有病，实际没病（误报）
- 左下：假阴性（FN）------ 预测没病，实际有病（漏报，危害最大）
- 右下：真阳性（TP）------ 预测有病，实际也有病

python 复制代码

print("输入数据Shape为")
print("X_test.shape：",X_test.shape)
print("y_test.shape：",y_test.shape)

pred = model(X_test.to(device)).argmax(1).cpu().numpy()

print("\n输出数据Shape为")
print("pred.shape：",pred.shape)

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

# 计算混淆矩阵
cm = confusion_matrix(y_test, pred)

plt.figure(figsize=(4,3))
plt.suptitle('')
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues")

# 修改字体大小
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title("混淆矩阵", fontsize=12)
plt.xlabel("预测标签", fontsize=10)
plt.ylabel("真实标签", fontsize=10)

# 显示图
plt.tight_layout()  # 调整布局防止重叠
plt.show()

单样本预测测试

python 复制代码

test_X = X_test[0].unsqueeze(1) # X_test[0]即我们的输入数据

pred = model(test_X.to(device)).argmax(1).item()
print("模型预测结果为：",pred)
print("0：不会患心脏病")
print("1：可能患心脏病")

学习总结

这次做实验让我对RNN有了简单理解。简单说，RNN 就是一个会记事的神经网络。普通神经网络看每个输入都是孤立的，但RNN不一样，它在看当前这个词（或数据）的时候，还会把过去的信息一起考虑进去。但RNN到底能记住多长的事？这次处理的是心脏病预测，每个样本就是一堆静态指标，没有时间顺序。为了用 RNN，硬是把每条数据都孤立，根本没用上 RNN 的记忆能力。但真的给它一长串有前后关系的数据，它能回溯到多久以前的信息呢？