多分類特徵的學習

這裡還是b站劉二大人的視訊課程式碼，視訊連結：https://www.bilibili.com/video/BV1Y7411d7Ys?p=9
相關注釋已經標明瞭（就當是筆記），因此在這裡不多贅述，今天的主要目的還是Kaggle的題目

import torch
from torchvision import transforms  # 影象處理工具
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307, ), (0.3081, ))
])
# 可以把傳入的影象變成一個數值在0到1之間的張量，這裡的均值和標準差都是算好的
train_dataset = datasets.MNIST(root='../dataset/mnist/',
                               train=True,
                               download=True,
                               transform=transform)
train_loader = DataLoader(train_dataset,
                          shuffle=True,
                          batch_size=batch_size)
text_dataset = datasets.MNIST(root='../dataset/mnist/',
                              train=False,
                              download=True,
                              transform=transform)
test_loader = DataLoader(text_dataset,
                         shuffle=False,
                         batch_size=batch_size)


class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(784, 512)
        self.l2 = torch.nn.Linear(512, 256)
        self.l3 = torch.nn.Linear(256, 128)
        self.l4 = torch.nn.Linear(128, 64)
        self.l5 = torch.nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)


model = Net()
criterion = torch.nn.CrossEntropyLoss()
# 使用交叉熵損失他的作用是儘量保持當前梯度的變化方向。
# 沒有動量的網路可以視為一個質量很輕的棉花團，風往哪裡吹就往哪裡走，一點風吹草動都影響他，四處跳
# 動不容易學習到更好的區域性最優。沒有動力來源的時候可能又不動了。加了動量就像是棉花變成了鐵球，
# 咕嚕咕嚕的滾在引數空間裡，很容易闖過鞍點，直到最低點。可以參照指數滑動平均。優化效果是梯度二階
# 導數不會過大，優化更穩定，也可以看做效果接近二階方法，但是計算容易的多。其實本質應該是對引數加了約束
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)  # 這裡是一個衝量


def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        optimizer.zero_grad()
        # 前饋反饋和更新
        outputs = model(inputs)
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()  # 累積的loss拿入
        if batch_idx % 300 == 299:    # 每300輪輸出一次
            print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
            running_loss = 0.0


def test():
    correct = 0  # 正確的數量
    total = 0   # 總數
    with torch.no_grad():
        for data in test_loader:   # 拿出每一行裡面最大值的下標
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()  # 計算猜對的數量
            print('Accuracy on text set: %d %%' % (100*correct/total))


if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()
# 到97就跑不上去了，畢竟這就是一個很簡單的前饋網路
 

然後這裡是結果

賽題及閱讀

本題的kaggle網址在此：https://www.kaggle.com/competitions/otto-group-product-classification-challenge
然後資料集一個train一個text，train，這個挑戰主要是給一堆商品資料，這些商品分為9類，每個商品有93個特徵，需要你來進行一個模型學習，在測試集中完成分類
原文翻譯如下：
在本次比賽中，我們為20多萬種產品提供了一個包含93個功能的資料集。我們的目標是建立一個預測模型，能夠區分我們的主要產品類別。獲獎模型將是開源的。

資料處理

首先我們的資料長成這樣


顯然我們的target裡面的就是我們要學習的標籤值，但是他是一個string型別，這個我們可以進行轉換

def class2num(brands):
    brands_out = []
    brand_in = ['class1', 'class2', 'class3', 'class4', 'class5', 'class6', 'class7', 'class8', 'class9']
    for brand in brands:   //迴圈的讀傳入的資料
        brands_out.append(brand_in.index(brand))  ##獲取當前值在brand_in的索引，巧妙的讓他數字化
    return brands_out

然後再定義處理資料的函式

class ProductData(Dataset):
    def __init__(self, filepath):
        xy = pd.read_csv(filepath)
        brand = xy['target']
        self.len = xy.shape[0]
        self.x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy轉換成np的array陣列然後讀取裡面的資料，並進行資料轉換
        self.y_data = class2num(brand)

    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len

再傳入資料,定義小批量梯度下降的規模

train_data = ProductData('train.csv')
train_loader = DataLoader(dataset=train_data, batch_size=64, shuffle=True, num_workers=0)

模型設計

再開始設計模型，因為我們的最後分類是9，而特徵有93個，所以需要把93降到9
這裡是我們定義的模型

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(93, 72)
        self.l2 = torch.nn.Linear(72, 36)
        self.l3 = torch.nn.Linear(36, 18)
        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):
        x = x.view(-1, 93)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        return self.l4(x)

同時在Net的下面我還決定按照昨天的程式碼編寫思路，寫上測試的函式

 def test(self, x):
        with torch.no_grad():
            x = F.relu(self.l1(x))
            x = F.relu(self.l2(x))
            x = F.relu(self.l3(x))
            x = F.relu(self.l4(x))
            _, predict = torch.max(x, dim=1)
# 程式碼中一個獨立的下劃線，表示這個變數不重要一個獨立的下劃線，它也是一個變數名，只不過它比較特殊，當你使用下劃線作為變數名時，就代表你告訴大家，這個變數不重要，僅僅佔個位置，可以忽略，後面不會再使用它。
            y = pd.get_dummies(predict)   # 把predict轉換成獨熱向量
            return y

例項化模型，並確定損失函式和優化器

model = Net()
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

訓練

if __name__ == '__main__':
    for epoch in range(200):
        running_loss = 0.0   
        for batch_idx, data in enumerate(train_loader, 0):  //用batch_idx, data獲取enumerate的值
            inputs, target = data
            inputs = inputs.float()
            optimizer.zero_grad()
            outputs = model(inputs)      //  放進模型
            loss = criterion(outputs, target)
            loss.backward()
            optimizer.step()

            running_loss += loss.item()  # 累積的loss拿入
            if batch_idx % 300 == 299:    # 每300輪輸出一次
                print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
                running_loss = 0.0

這就是小批量梯度下降的訓練寫法
訓練結果如下

測試

按照要求來測試資料集並且輸出一個csv

test_data = pd.read_csv('test.csv')   # 讀取測試集
test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))   # 讀取特徵
out = model.test(test_inputs.float())          # 傳入模型並且用out來接受得到的值
lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
out.columns = lables   # 用lables作為標籤
out.insert(0, 'id', test_data['id'])   # 對應的標籤插入值,insert() 函式用於將指定物件插入列表的指定位置
output = pd.DataFrame(out)    # 輸出成一個dataframe
output.to_csv('my_predict.csv', index=False)  # 輸出為csv檔案

放進kaggle看看

分數不太行嗷
改變一下動量看看（改成0.1）

稍微好一點
以下是完整程式碼

import numpy as np
import pandas as pd
from torch.utils.data import Dataset, DataLoader
import torch
import torch.nn.functional as F
import torch.optim as optim


def class2num(brands):
        brands_out = []
        brand_in = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
        for brand in brands:
            brands_out.append(brand_in.index(brand))
        return brands_out


class ProductData(Dataset):
    def __init__(self, filepath):
        xy = pd.read_csv(filepath)
        brand = xy['target']
        self.len = xy.shape[0]
        self.x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy轉換成np的array陣列然後讀取裡面的資料，並進行資料轉換
        self.y_data = class2num(brand)

    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len


train_data = ProductData('train.csv')
train_loader = DataLoader(dataset=train_data, batch_size=64, shuffle=True, num_workers=0)


class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(93, 72)
        self.l2 = torch.nn.Linear(72, 36)
        self.l3 = torch.nn.Linear(36, 18)
        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):
        x = x.view(-1, 93)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        return self.l4(x)

    def test(self, x):
        with torch.no_grad():
            x = F.relu(self.l1(x))
            x = F.relu(self.l2(x))
            x = F.relu(self.l3(x))
            x = F.relu(self.l4(x))
            _, predict = torch.max(x, dim=1)
# 程式碼中一個獨立的下劃線，表示這個變數不重要一個獨立的下劃線，它也是一個變數名，只不過它比較特殊，當你使用下劃線作為變數名時，就代表你告訴大家，這個變數不重要，僅僅佔個位置，可以忽略，後面不會再使用它。
            y = pd.get_dummies(predict)   # 把predict轉換成獨熱向量
            return y


model = Net()
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.1)

if __name__ == '__main__':
    for epoch in range(200):
        running_loss = 0.0
        for batch_idx, data in enumerate(train_loader, 0):
            inputs, target = data
            inputs = inputs.float()
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = criterion(outputs, target)
            loss.backward()
            optimizer.step()

            running_loss += loss.item()  # 累積的loss拿入
            if batch_idx % 300 == 299:    # 每300輪輸出一次
                print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
                running_loss = 0.0

# 測試
test_data = pd.read_csv('test.csv')
test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))
out = model.test(test_inputs.float())
lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
out.columns = lables
out.insert(0, 'id', test_data['id'])
output = pd.DataFrame(out)
output.to_csv('my_predict.csv', index=False)

全梯度

故技重施，搞一下直接梯度下降看看，訓練5w遍

import numpy as np
import pandas as pd
import torch
import torch.nn.functional as F
import torch.optim as optim


def class2num(brands):
        brands_out = []
        brand_in = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
        for brand in brands:
            brands_out.append(brand_in.index(brand))
        return brands_out


xy = pd.read_csv('train.csv')
brand = xy['target']
len = xy.shape[0]
x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy轉換成np的array陣列然後讀取裡面的資料，並進行資料轉換
y_data = torch.tensor(class2num(brand))


class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.l1 = torch.nn.Linear(93, 72)
        self.l2 = torch.nn.Linear(72, 36)
        self.l3 = torch.nn.Linear(36, 18)
        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):
        x = x.view(-1, 93)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        return self.l4(x)

    def test(self, x):
        with torch.no_grad():
            x = F.relu(self.l1(x))
            x = F.relu(self.l2(x))
            x = F.relu(self.l3(x))
            x = F.relu(self.l4(x))
            _, predict = torch.max(x, dim=1)
# 程式碼中一個獨立的下劃線，表示這個變數不重要一個獨立的下劃線，它也是一個變數名，只不過它比較特殊，當你使用下劃線作為變數名時，就代表你告訴大家，這個變數不重要，僅僅佔個位置，可以忽略，後面不會再使用它。
            y = pd.get_dummies(predict)   # 把predict轉換成獨熱向量
            return y


model = Net()
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.1)

if __name__ == '__main__':
    for epoch in range(50000):
        x_data = x_data.float()
        optimizer.zero_grad()
        outputs = model(x_data)
        loss = criterion(outputs, y_data)
        print(epoch, loss.item())
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()


# 測試
test_data = pd.read_csv('test.csv')
test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))
out = model.test(test_inputs.float())
lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
out.columns = lables
out.insert(0, 'id', test_data['id'])
output = pd.DataFrame(out)
output.to_csv('my_predict.csv', index=False)

這次訓練速度肉眼可見的慢，慢的一批

下降的也非常緩慢，基本可以判斷是碰到區域性最優了，畢竟剛剛那個200次就loss就0.3了
最後我們再用隨機梯度下降試試，只需要把batchsize改成1即可
慢的就離譜。。。。

半天就跑這麼點
那沒事了
結束今天的學習！