第10章 航班乘客数预测

第10章航班乘客数预测第10章航班乘客数预测10.1PyTorch简介10.2安装PyTorch10.3导入相关库10.4PyTorch基础知识10.5读取数据10.6数据预处理10.7定义网络模型10.8定义损失函数和优化器10.9训练模型10.10测试模型第10章航班乘客数预测10.1PyTorch简介PyTorch是由Facebook开发，基于Torch开发，从并不常用的Lua语言转为Python语言开发的深度学习框架，可以用于构建深度神经网络。Pytorch是一个基于Python的科学计算库，它面向以下两种人群：希望将其代替Numpy来利用GPUs的威力；一个可以提供更加灵活和快速的深度学习研究平台。第10章航班乘客数预测10.2安装PyTorchPyTorch的安装可以直接查看官网教程，如下所示，官网地址：/get-started/locally/第10章航班乘客数预测10.2安装PyTorch第10章航班乘客数预测10.3导入相关库import

torchimport

torch.nn

as

nn

import

numpy

as

npimport

matplotlib.pyplot

as

pltplt.rcParams['font.sans-serif']=['simsun']

#设置加载的字体名plt.rcParams['axes.unicode_minus']=False

#解决保存图像是负号'-'显示为方块的问题第10章航班乘客数预测10.4PyTorch基础知识10.4.1张量（1）创建一个张量x=torch.Tensor([1,2,3])

#创建一个1维张量y=torch.Tensor([[1,2],[3,4]])

#创建一个2维张量z=torch.Tensor([[[1,2],[3,4]],[[5,6],[7,8]]])

#创建一个3维张量xyz输出结果：第10章航班乘客数预测10.4PyTorch基础知识10.4.1张量（2）张量的形状z.shape

#获取张量的形状z.size()

#获取张量的形状z.view(2,4)

#改变张量的形状，2行，4列z.reshape(1,8)

#改变张量的形状，1行，8列z.resize_(2,4)

#直接修改原始张量的形状，2行，4列输出结果：第10章航班乘客数预测10.4PyTorch基础知识10.4.2自动微分PyTorch提供了自动微分功能，可以自动计算梯度，这使得模型训练更加容易。我们使用torch.tensor()来定义张量，然后使用.backward()函数计算梯度。x=torch.tensor(2.0,requires_grad=True)#定义张量x，并将requires_grad设置为True，以便PyTorch跟踪它的计算历史y=x**2

#定义新的张量y，它是x的平方y.backward()#调用y.backward()来计算y相对于x的导数x.grad

#打印出结果为tensor(4.)第10章航班乘客数预测10.4PyTorch基础知识10.4.3神经网络PyTorch提供了torch.nn模块，可以帮助开发者更轻松地构建和训练神经网络模型。可以使用torch.nn.Module()类定义神经网络模型，然后使用torch.optim优化器进行训练。10.4.4数据加载PyTorch提供了torch.utils.data模块，可以帮助开发者更轻松地加载和处理数据。可以使用torch.utils.data.Dataset()类定义数据集，然后使用torch.utils.data,DataLoader()函数加载数据。10.4.5GPU加速PyTorch可以使用GPU加速，可以使用torch.cuda模块将张量和模型移动到GPU上运行。第10章航班乘客数预测10.5读取数据with

open("data\international-airline-passengers.csv","r",encoding="utf-8")asf:

next(f)#跳过第1行

data_csv=f.read()

#将文件内容读取到变量data中data=[row.split(',')forrowin

data_csv.split("\n")]#将字符串变量data_csv中的每一行按逗号分隔并返回一个列表。这个列表包含了每一行的元素。passengers=[int(each[1])foreachindata]#将列表变量data中的每个元素的第二个字符转换为整数并返回一个新的列表。Passengers#打印前10个月中每月的航班乘客数输出结果：第10章航班乘客数预测10.6数据预处理接下来，我们首先使用滑动窗口方法创建基于航班乘客数的时间序列数据。然后，将序列数据转换成满足模型输入要求的训练数据集和测试数据集。这样，我们就可以使用前2天的航班乘客数来预测第3天的航班乘客数。第10章航班乘客数预测10.7定义网络模型class

Net(nn.Module):

#初始化函数，定义网络结构

def

__init__(self):

#调用父类的初始化函数

super(Net,self).__init__()

#定义一个LSTM层，输入特征为1（只有乘客数），隐藏状态大小为32，层数为1，batch_first为True

self.lstm=nn.LSTM(input_size=1,hidden_size=32,num_layers=1,batch_first=True)

#定义一个线性层，将32*seq_len个输入特征映射到1个输出特征（预测下一月乘客数）

self.linear=nn.Linear(32*seq_len,1)

#前向传播函数

def

forward(self,input):

#将输入input输入到LSTM层中，得到输出结果lstm_out，隐藏状态h和单元状态c

lstm_out,(h,c)=self.lstm(input)

#将lstm_out进行reshape，变成一个形状为(-1,32*seq_len)的张量

x=lstm_out.reshape(-1,32*seq_len)

#将x输入到线性层中，得到输出pred

pred=self.linear(x)

#返回输出pred

return

pred第10章航班乘客数预测10.8定义损失函数和优化器model=Net()#定义一个Adam优化器，用于更新模型参数，学习率为0.003optimizer=torch.optim.Adam(model.parameters(),lr=0.003)#定义一个均方误差损失函数，用于计算模型预测值与真实值之间的误差loss_fun=nn.MSELoss()第10章航班乘客数预测10.9训练模型#将模型设置为训练模式model.train()#进行300轮训练for

epoch

in

range(300):

#将训练数据train_x输入到模型中，得到模型的输出output

output=model(train_x)

#计算模型输出output与训练标签train_y之间的均方误差损失

loss=loss_fun(output,train_y)

#将优化器的梯度清零

optimizer.zero_grad()

#反向传播计算梯度

loss.backward()

#使用优化器更新模型参数

optimizer.step()

#每20轮输出一次训练损失和测试损失

if

epoch%20==0

and

epoch>0:

#将测试数据test_x输入到模型中，得到模型的输出output

#计算模型输出output与测试标签test_y之间的均方误差损失

test_loss=loss_fun(model(test_x),test_y)

#输出当前轮数、训练损失和测试损失

print("epoch:{},loss:{},test_loss:{}".format(epoch,loss,test_loss))第10章航班乘客数预测10.9训练模型第10章航班乘客数预测10.10测试模型第10章航班乘客数预测10.10测试模型#将模型设置为评估模式model.eval()#构造预测结果result=X[0][:seq_len-1]