目次
データセット
米国の一部の州における 5 日間の 新型コロナウイルス感染症 (および関連する特徴データ) の数がトレーニング セットで与えられ、最初の 4 日間の関連データがテスト セットで与えられ、感染者数を予測します。 5日目に感染。ダウンロードアドレス: ML2022Spring-hw1 | Kaggle
特徴:
● 州 (37、独热编码)
● 新型コロナウイルス感染症 (4)
○ cli、ili …
● 行動指標 (8)
○ マスク着用、旅行外の状態 …
● メンタルヘルス指標 (3)
○ 不安、憂鬱 …
● 検査済み陽性例 (1)
○ testing_positive (これが予測したいものです)
トレーニング セットには 2699 行と 118 列 (ID + 37 州 + 16 特徴 x 5 日) があり
、テスト セットには 1078 列と 117 列があります (前日の陽性率は含まれません)。
ガイドパッケージ
# Numerical Operations
import math
import numpy as np
from sklearn.model_selection import train_test_split
# Reading/Writing Data
import pandas as pd
import os
import csv
# For Progress Bar
from tqdm import tqdm
from d2l import torch as d2l
# Pytorch
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader, random_split, TensorDataset
# For plotting learning curve
from torch.utils.tensorboard import SummaryWriter
ヘルパー関数
シードを設定する
私の理解では、シードはモデルの初期化と検証セットの分割に使用されるということですが、これはここで修正されています
def same_seed(seed):
'''Fixes random number generator seeds for reproducibility.'''
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False
np.random.seed(seed)
torch.manual_seed(seed)
if torch.cuda.is_available():
torch.cuda.manual_seed_all(seed)
データセットを分割する
あなたはrandom_split関数を使用することができます
def train_valid_split(data_set, valid_ratio, seed):
'''Split provided training data into training set and validation set'''
valid_set_size = int(valid_ratio * len(data_set))
train_set_size = len(data_set) - valid_set_size
train_set, valid_set = random_split(data_set, [train_set_size, valid_set_size],
generator=torch.Generator().manual_seed(seed))
return np.array(train_set), np.array(valid_set)
train_test_split 関数を使用することもできます
def train_valid_split(data_set, valid_ratio, seed):
'''Split provided training data into training set and validation set'''
train_set, valid_set = train_test_split(data_set, test_size=valid_ratio, random_state=seed)
return np.array(train_set), np.array(valid_set)
モデル
ジョブ全体の中で最も重要な部分は、モデルと機能の選択、およびハイパーパラメーターの設定です。元のコードをここに置きます
class My_Model(nn.Module):
def __init__(self, input_dim):
super(My_Model, self).__init__()
# TODO: modify model's structure, be aware of dimensions.
self.layers = nn.Sequential(
nn.Linear(input_dim, 16),
nn.ReLU(),
nn.Linear(16, 8),
nn.ReLU(),
nn.Linear(8, 1)
)
def forward(self, x):
x = self.layers(x)
x = x.squeeze(1) # (B, 1) -> (B)
return x
機能の選択
元のコードは変更されています。TensorDataset が使用されているため、その引数は tensor である必要があるため、train_data、valid_data、test_data を tensor 形式に変更する必要があります。
def select_feat(train_data, valid_data, test_data, select_all=True):
'''Selects useful features to perform regression'''
train_data = torch.FloatTensor(train_data)
valid_data = torch.FloatTensor(valid_data)
test_data = torch.FloatTensor(test_data)
y_train, y_valid = train_data[:,-1], valid_data[:,-1]
raw_x_train, raw_x_valid, raw_x_test = train_data[:,:-1], valid_data[:,:-1], test_data
if select_all:
feat_idx = list(range(raw_x_train.shape[1]))
else:
feat_idx = [0,1,2,3] # TODO: Select suitable feature columns.
return raw_x_train[:,feat_idx], raw_x_valid[:,feat_idx], raw_x_test[:,feat_idx], y_train, y_valid
トレーニング機能
以下は、元のコードで与えられたテンプレートであり、tqdm を使用してトレーニング プロセスを示しています。
def trainer(train_loader, valid_loader, model, config, device):
criterion = nn.MSELoss(reduction='mean') # Define your loss function, do not modify this.
# Define your optimization algorithm.
# TODO: Please check https://pytorch.org/docs/stable/optim.html to get more available algorithms.
# TODO: L2 regularization (optimizer(weight decay...) or implement by your self).
optimizer = torch.optim.SGD(model.parameters(), lr=config['learning_rate'], momentum=0.9)
writer = SummaryWriter() # Writer of tensoboard.
if not os.path.isdir('./models'):
os.mkdir('./models') # Create directory of saving models.
n_epochs, best_loss, step, early_stop_count = config['n_epochs'], math.inf, 0, 0
for epoch in range(n_epochs):
model.train() # Set your model to train mode.
loss_record = []
# tqdm is a package to visualize your training progress.
train_pbar = tqdm(train_loader, position=0, leave=True)
for x, y in train_pbar:
optimizer.zero_grad() # Set gradient to zero.
x, y = x.to(device), y.to(device) # Move your data to device.
pred = model(x)
loss = criterion(pred, y)
loss.backward() # Compute gradient(backpropagation).
optimizer.step() # Update parameters.
step += 1
loss_record.append(loss.detach().item())
# Display current epoch number and loss on tqdm progress bar.
train_pbar.set_description(f'Epoch [{epoch+1}/{n_epochs}]')
train_pbar.set_postfix({'loss': loss.detach().item()})
mean_train_loss = sum(loss_record)/len(loss_record)
writer.add_scalar('Loss/train', mean_train_loss, step)
model.eval() # Set your model to evaluation mode.
loss_record = []
for x, y in valid_loader:
x, y = x.to(device), y.to(device)
with torch.no_grad():
pred = model(x)
loss = criterion(pred, y)
loss_record.append(loss.item())
mean_valid_loss = sum(loss_record)/len(loss_record)
print(f'Epoch [{epoch+1}/{n_epochs}]: Train loss: {mean_train_loss:.4f}, Valid loss: {mean_valid_loss:.4f}')
writer.add_scalar('Loss/valid', mean_valid_loss, step)
if mean_valid_loss < best_loss:
best_loss = mean_valid_loss
torch.save(model.state_dict(), config['save_path']) # Save your best model
print('Saving model with loss {:.3f}...'.format(best_loss))
early_stop_count = 0
else:
early_stop_count += 1
if early_stop_count >= config['early_stop']:
print('\nModel is not improving, so we halt the training session.')
return
構成パラメータ
config
トレーニング用のハイパーパラメータとモデルを保存するパスが含まれています。
device = 'cuda' if torch.cuda.is_available() else 'cpu'
config = {
'seed': 5201314, # Your seed number, you can pick your lucky number. :)
'select_all': True, # Whether to use all features.
'valid_ratio': 0.2, # validation_size = train_size * valid_ratio
'n_epochs': 3000, # Number of epochs.
'batch_size': 256,
'learning_rate': 1e-5,
'early_stop': 400, # If model has not improved for this many consecutive epochs, stop training.
'save_path': './models/model.ckpt' # Your model will be saved here.
}
データローダー
元のコードのようにデータセットをカスタマイズするのではなく、TensorDataset を使用してデータセットをラップします。
# Set seed for reproducibility
same_seed(config['seed'])
# train_data size: 2699 x 118 (id + 37 states + 16 features x 5 days)
# test_data size: 1078 x 117 (without last day's positive rate)
train_data, test_data = pd.read_csv('./covid.train.csv').values, pd.read_csv('./covid.test.csv').values
train_data, valid_data = train_valid_split(train_data, config['valid_ratio'], config['seed'])
# Print out the data size.
print(f"""train_data size: {train_data.shape}
valid_data size: {valid_data.shape}
test_data size: {test_data.shape}""")
# Select features
x_train, x_valid, x_test, y_train, y_valid = select_feat(train_data, valid_data, test_data, False)
# Print out the number of features.
print(f'number of features: {x_train.shape[1]}')
train_dataset, valid_dataset, test_dataset = TensorDataset(x_train, y_train), \
TensorDataset(x_valid, y_valid), \
TensorDataset(x_test)
# Pytorch data loader loads pytorch dataset into batches.
train_loader = DataLoader(train_dataset, batch_size=config['batch_size'], shuffle=True, pin_memory=True)
valid_loader = DataLoader(valid_dataset, batch_size=config['batch_size'], shuffle=True, pin_memory=True)
test_loader = DataLoader(test_dataset, batch_size=config['batch_size'], shuffle=False, pin_memory=True)
トレーニングを開始する
並列計算には nn.DataParallel 関数を使用します。kaggle で GPU T4 を使用し、並列コンピューティングを使用することを選択したところ、両方の GPU が占有されていることがわかりますが、計算速度は並列コンピューティングを使用しない場合の半分ほど遅くなり、不思議です。神には答えがあるのでしょうか?
devices = d2l.try_all_gpus()
model = My_Model(input_dim=x_train.shape[1]) # put your model and data on the same computation device.
model = nn.DataParallel(model, device_ids = devices).to(devices[0])
trainer(train_loader, valid_loader, model, config)
予測する
予測機能
def predict(test_loader, model, devices):
model.eval() # Set your model to evaluation mode.
preds = []
for x in tqdm(test_loader):
x = x[0].to(devices[0])
with torch.no_grad():
pred = model(x)
preds.append(pred.detach().cpu())
preds = torch.cat(preds, dim=0).numpy()
return preds
出力結果
def save_pred(preds, file):
''' Save predictions to specified file '''
with open(file, 'w') as f:
f.write('id,tested_positive' + '\n')
for i, p in enumerate(preds):
f.write(str(i) + ',' + str(p) + '\n')
model = My_Model(input_dim=x_train.shape[1]).to(devices[0])
model = nn.DataParallel(model, device_ids = devices).to(devices[0])
model.load_state_dict(torch.load(config['save_path']))
preds = predict(test_loader, model, devices)
save_pred(preds, 'pred.csv')
答え
トレーニング機能
書籍『ハンズオン ディープ ラーニング』の d2l ツールキットを使用して、トレーニング プロセス中の損失を描画します。ここでは adam 関数が使用され、オプティマイザーに L2 正則化が追加され、CosineAnnealingWarmRestarts 関数を使用して学習率が調整されていることに注意してください。
def trainer(train_loader, valid_loader, model, config, devices):
criterion = nn.MSELoss(reduction='mean') # Define your loss function, do not modify this.
# Define your optimization algorithm.
# TODO: Please check https://pytorch.org/docs/stable/optim.html to get more available algorithms.
# TODO: L2 regularization (optimizer(weight decay...) or implement by your self).
optimizer = torch.optim.Adam(model.parameters(), lr=config['learning_rate'], weight_decay=config['weight_decay'])
scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer,
T_0=2, T_mult=2, eta_min=config['learning_rate']/50)
writer = SummaryWriter() # Writer of tensoboard.
if not os.path.isdir('./models'):
os.mkdir('./models') # Create directory of saving models.
n_epochs, best_loss, step, early_stop_count = config['n_epochs'], math.inf, 0, 0
legend = ['train loss']
if valid_loader is not None:
legend.append('valid loss')
animator = d2l.Animator(xlabel='epoch', xlim=[1, n_epochs], ylim=[0.5, 2.5], legend=legend)
for epoch in range(n_epochs):
model.train() # Set your model to train mode.
loss_record = []
for x, y in train_loader:
optimizer.zero_grad() # Set gradient to zero.
x, y = x.to(devices[0]), y.to(devices[0]) # Move your data to device.
pred = model(x)
loss = criterion(pred, y)
loss.backward() # Compute gradient(backpropagation).
optimizer.step() # Update parameters.
step += 1
loss_record.append(loss.detach().item())
scheduler.step()
mean_train_loss = sum(loss_record)/len(loss_record)
writer.add_scalar('Loss/train', mean_train_loss, step)
animator.add(epoch + 1, (mean_train_loss, None))
if valid_loader is not None:
model.eval() # Set your model to evaluation mode.
loss_record = []
for x, y in valid_loader:
x, y = x.to(devices[0]), y.to(devices[0])
with torch.no_grad():
pred = model(x)
loss = criterion(pred, y)
loss_record.append(loss.item())
mean_valid_loss = sum(loss_record)/len(loss_record)
writer.add_scalar('Loss/valid', mean_valid_loss, step)
animator.add(epoch +1, (None, mean_valid_loss))
if mean_valid_loss < best_loss:
best_loss = mean_valid_loss
torch.save(model.state_dict(), config['save_path']) # Save your best model
# print('Saving model with loss {:.3f}...'.format(best_loss))
early_stop_count = 0
else:
early_stop_count += 1
if early_stop_count >= config['early_stop']:
# print('\nModel is not improving, so we halt the training session.')
return
モデル
層を深めた
class My_Model(nn.Module):
def __init__(self, input_dim):
super(My_Model, self).__init__()
# TODO: modify model's structure, be aware of dimensions.
self.layers = nn.Sequential(
nn.Linear(input_dim, 16),
nn.ReLU(),
nn.Linear(16, 8),
nn.ReLU(),
nn.Linear(8, 4),
nn.ReLU(),
nn.Linear(4, 1)
)
def forward(self, x):
x = self.layers(x)
x = x.squeeze(1) # (B, 1) -> (B)
return x
機能の選択
私は元々、どの特徴が重要でどの特徴が重要でないかという表現学習の概念によれば、機械はそれを自動的に学習できるため、特徴の選択は重要ではないと考えていました。モデルを継続的にデバッグする過程で、この考えは大きく間違っており、特徴の選択が結果に大きな影響を与えることが判明しました。考えられる原因としては、データ量が足りずモデルの複雑さが足りず、表現学習の効果が得られないことが考えられます。つまり、この作業はまだ機械学習の範疇にあり、ディープラーニングの領域までは至っていないため、特徴が非常に重要となります。
過去 4 日間の病気の数が以下の特徴として選択されます。
def select_feat(train_data, valid_data, test_data, select_all=True):
'''Selects useful features to perform regression'''
train_data = torch.FloatTensor(train_data)
valid_data = torch.FloatTensor(valid_data)
test_data = torch.FloatTensor(test_data)
y_train, y_valid = train_data[:,-1], valid_data[:,-1]
raw_x_train, raw_x_valid, raw_x_test = train_data[:,:-1], valid_data[:,:-1], test_data
if select_all:
feat_idx = list(range(raw_x_train.shape[1]))
else:
feat_idx = [53, 69, 85, 101] # TODO: Select suitable feature columns.
return raw_x_train[:,feat_idx], raw_x_valid[:,feat_idx], raw_x_test[:,feat_idx], y_train, y_valid
ハイパーパラメータ設定
学習率は非常に重要であり、通常、いくつかの数値を試すことで範囲を決定できます。特定の学習率の下では、200 回の反復後でも損失は数十回あります。適切な学習率の下では、50 回未満の反復後でも損失は発生します。一桁に落ちてしまいます。後者が望ましい
config = {
'seed': 5201314, # Your seed number, you can pick your lucky number. :)
'select_all': True, # Whether to use all features.
'valid_ratio': 0.2, # validation_size = train_size * valid_ratio
'n_epochs': 3000, # Number of epochs.
'batch_size': 256,
'learning_rate': 1e-3,
'weight_decay': 1e-4,
'early_stop': 900, # If model has not improved for this many consecutive epochs, stop training.
'save_path': './models/model.ckpt', # Your model will be saved here.
}
強いベースラインによる
実は、モデル層の数を段階的に調整することも可能で、結果は下図のようにほぼ同じになります。
モデルのセットアップと機能の選択はより複雑になる可能性があり、より良い結果が得られます。以下を参照してください。