ニューラルネットワークを使用した合成データによる意思決定の支援

データ収集

1 どのような種類のデータであっても、通常はデータベースから抽出されますが
、まずデータをクリーンアップして合成する必要があります。

2 データをコレクションにする
csv などのファイルを使用してデータのコレクションを保存できます

データのシミュレーションと入力

汎用性を高めるために、シミュレートされたデータを使用します

time = torch.arange(1, T + 1, dtype=torch.float32)

サイズが 1 から T+1 でステップが 1 の 1 次元テンソル データを返します。これは私たちが自分たちで生成したデータです。実際のデータはデータベースから取得できます。テンソル データを記述するために正弦関数と正規分布を使用します
。データベースのデータが間隔 1 のデータである可能性は低いためです。

x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
d2l.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))

次のステップは、実際のデータ セットをシミュレートし、ラベル データ セットを作成することです。pytorch を使用して、データ セット data.TensorDataset をロードします。TensorDataset 関数を使用して、テンソル テンソルをパッケージ化し、それをデータセット データセットにパッケージ化できます。が重要なポイントです: 作成と使用 ネットワークのトレーニングには多層パーセプトロンが使用されます。

コードを見せてください

コード全体を以下に示します

import torch
from torch import nn
from wrapper import torch as wrapper
import cv2
from torch.utils import data

#features = torch.zeros((1000 - 4, 5))
#print(features.shape)

def load_array(data_arrays, batch_size, is_train=True):
    """Construct a PyTorch data iterator.
    Defined in :numref:`sec_linear_concise`"""
    dataset = data.TensorDataset(*data_arrays)
    return data.DataLoader(dataset, batch_size, shuffle=is_train)

T = 1000  # 总共产生1000个点
time = torch.arange(1, T + 1, dtype=torch.float32)
x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,))
wrapper.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))

#cv2.waitKey(0)
tau = 4
features = torch.zeros((T - tau, tau))
print(features)

for i in range(tau):
    features[:, i] = x[i: T - tau + i]
print(features)

labels = x[tau:].reshape((-1, 1))

batch_size, n_train = 16, 600
# 只有前n_train个样本用于训练
train_iter = load_array((features[:n_train], labels[:n_train]),
                            batch_size, is_train=True)


def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.xavier_uniform_(m.weight)

# 一个简单的多层感知机
def get_net():
    net = nn.Sequential(nn.Linear(4, 10),
                        nn.ReLU(),
                        nn.Linear(10, 1))
    net.apply(init_weights)
    return net

# 平方损失。注意：MSELoss计算平方误差时不带系数1/2
loss = nn.MSELoss(reduction='none')                            
def train(net, train_iter, loss, epochs, lr):
    trainer = torch.optim.Adam(net.parameters(), lr)
    for epoch in range(epochs):
        for X, y in train_iter:
            trainer.zero_grad()
            l = loss(net(X), y)
            l.sum().backward()
            trainer.step()
        print(f'epoch {
      
      epoch + 1}, '
              f'loss: {
      
      wrapper.evaluate_loss(net, train_iter, loss):f}')

net = get_net()
train(net, train_iter, loss, 5, 0.01)

モデルを保存

PATH = './bigdata.pth'
torch.save(net.state_dict(), PATH)

これによりモデルが保存され、将来的に直接使用できるようになります。