你的第一个神经网络——共享单车预测器

引言

本文是学习完集智学园《PyTorch入门课程：火炬上的深度学习》系列课之后的梳理。

该系列课程包含大量的实操任务，如文本分类，手写数字识别，翻译器，作曲机，AI游戏等。而在实操中还融入了大量机器学习领域的基础和经典知识，如反向传播原理，神经元原理剖析，NLP领域的RNN，LSTM，word2vec，以及图像领域的迁移学习，卷积神经网络等等，非常适合想要入门机器学习的同学，是当前网络上绝无仅有的好课程。

个人学完后受益匪浅，在此真诚地向张江老师表示感谢

同系列文章：用线性回归拟合案例，透彻理解深度学习的反向传播

正文

本文的任务，是通过训练一个简单的神经网络预测模型，实现了根据天气，季节，日期，星期等自变量，去预测对应日期的单车数量。主要包含的知识点为：数据预处理中的one-hot编码, 归一化操作，以及构建神经网络的流程

任务中使用到的数据结构如下。数据已共享在网盘中

image

其中，最后一列cnt为目标函数，即单车的数量。表中其他数据，我们选择season, hr, mnth,weekday, weathersit, temp, hum，holiday, yr等作为因变量，其他数据抛弃不用。每条数据以小时为单位，共约2w条数据，我们选取部分绘图看一下

这是一天的单车数量变化

整个任务实现流程可以分为以下三个步骤：

1. 数据预处理
2. 训练模型
3. 验证模型

下面我们开始任务

1. 数据预处理

数据预处理是整个建模步骤非常重要的环节，甚至会直接影响到训练效果。在这个环节我们的核心目标其实还是围绕一点：为了让训练效果更好。

我们观察数据会发现，原始数据不够好，直接拿来训练的话，很可能会影响到训练过程和最终的训练效果。

那么具体哪里不好，我们又该怎么处理呢？

1.1. 对类型变量的处理：one-hot编码

在我们这个案例中，季节，天气等几个变量都是我们为了日常生活方便而约定的规则，属于类型变量，他们的数字大小，并没有实际的意义，比如星期二并不代表它比星期一的值大，直接把大小输入模型，会造成神经网络的“误解”：即值越大，会更强烈地影响网络内部的变化。所以我们需要对这些类型变量做二进制处理。

还是拿星期举例，我们需要把星期的标识，全部转化为二进制编码，哪一位为1，就代表对应的类型（其实就相当于，会激活与之相关的神经元）

image

具体到代码实现，pandas有现成的方法，帮助我们快速生成one-hot编码

dummies = pd.get_dummies(rides['weekday'], prefix='weekday', drop_first=False

one-hot编码后的“星期

下面展示真实代码。我们要操作的对象是'season', 'weathersit', 'mnth', 'hr', 'weekday'这几个属性。处理完成后，将生成的数据再合并进原来的数据中 。最后，去掉原数据集中不相关的特征

# 这是我们要处理的特征组
dummy_fields = ['season', 'weathersit', 'mnth', 'hr', 'weekday']
for each in dummy_fields:
    dummies = pd.get_dummies(rides[each], prefix=each, drop_first=False)
    # 合并进原来的数据
    rides = pd.concat([rides, dummies], axis=1)
  
# 把原有的类型变量对应的特征去掉，将一些不相关的特征去掉
fields_to_drop = ['instant', 'dteday', 'season', 'weathersit', 'weekday', 'atemp', 'mnth', 'workingday', 'hr']
data = rides.drop(fields_to_drop, axis=1)
data.head() # 打印查看

one-hot编码后的数据

完成类型编码的转化之后，先别着急开始，我们还有一步要做

1.2. 数据值归一化

在很多时候，原是数据中不同单位的变量，他们的数值差异有可能会非常大。比如在我们的案例中，温度的范围可能在0-50之间浮动，而湿度则是在0-1之间浮动的小数。而有时的初始数据甚至还会出现几千几万的数量级。如果直接进行训练，当然也不是不可以，只不过神经网络的权重会学习的非常慢，而且最终的效果可能也不好。

所以，我们需要对不同单位的数值进行归一化处理，归一化的方式有很多，比如把数值按正态分布转化为[-1，1]区间。在这里使用常用的z-score标准化方法。

新数据 = （原数据 - 均值） / 标准差

# 标准化处理，这里将目标数量也做了归一化
quant_features = ['cnt', 'temp', 'hum', 'windspeed']
for each in quant_features:
    # 快速求均值和方差
    mean, std = data[each].mean(), data[each].std()
    # 选取列名为each的特定列, 替换为归一化后的数据
    data.loc[:, each] = (data[each] - mean) / std
data.head() # 打印查看

归一化结果

数据预处理环节就结束了，总结来看分为两点，这两点也是绝大部分神经网络训练之前都需要进行的步骤。

1. 类型变量值的大小可能会影响训练效果，需要进行one-hot编码处理
2. 不同数据的尺度不同，需要进行归一化处理，以提高训练速度和训练效果

下面，我们就开始进入正式的训练过程

2. 构建模型，开始训练

使用pytorch构建网络真是一件很爽的事情，你不需要关注梯度如何传播，线性映射和非线性映射具体如何运作，你只需要按照pytorch的方法用几行代码构建模型，然后给他输入，获取输出就可以了。

这部分开始，代码量就上升了，我会尽量讲的详细，注释也会尽可能的全面

2.1. 构建输入和目标函数

在这里，我们的输入为所有会影响当前单车数量的自变量，输出为对应的单车数量，当然，不要忘了分训练集和测试集，训练集用于训练，测试集用于测试最终模型的效果。

target_fields = ['cnt']
# 训练集，去掉最后21天的数据
train_data = data[:-21 * 24]
# 测试集，最后21天的数据
test_data = data[-21 * 24:]

# 定义输入，和预测目标
features, targets = train_data.drop(target_fields, axis=1), train_data[target_fields]
test_features, test_target = test_data.drop(target_fields, axis=1), test_data[target_fields]

上面代码定义的输入和预测目标，还是dataframe格式，我们需要把数据转化为array或者tensor，这里我们转成array格式。同时，为了方便计算，需要调整目标函数的维度。从0维（数据量）转化为1维（数据量 x 1）

2.2. 构建模型

我们的案例不需要使用到多复杂的模型，只需要确保在中间有一层非线性映射，用以拟合曲线即可，构建模型就是这么简单。

同时，pytorch也封装了不少损失函数方法，在这里使用简单MSE模型，直接调用即可。在线性回归拟合案例，透彻理解深度学习的反向传播一文中，有MSE的具体实现说明，很简单，一看就懂了。

input_size = np.array(features).shape[1]
hidden_size = 10
output_size = 1
neu = torch.nn.Sequential(
    torch.nn.Linear(input_size, hidden_size), # 一层线性映射
    torch.nn.Sigmoid(), # 一层sigmoid非线性映射
    torch.nn.Linear(hidden_size, output_size) # 再一层线性映射
)
cost = torch.nn.MSELoss()
optimizer = torch.optim.SGD(neu.parameters(), lr = 0.01)

划重点：

1. torch.nn.Linear: 线性映射
2. torch.nn.Sigmoid: 非线性映射，可以拟合曲线
3. torch.nn.MSELoss(): MSE损失函数
4. torch.optim.SGD(neu.parameters(), lr = 0.01)：参数优化器，可以实现反向传播过程，更新所有带梯度的参数等功能，具体使用可以继续往下看。lr代表学习率

到这里，模型已经构建好，下面进入训练过程（抽象出模型后，所有的训练过程都大同小异）

2.3 训练过程

首先定义一个batch_size。相当于定义了，把原始数据以128条为最小训练单位进行训练。

batch_size = 128

image

分batch是为了充分训练模型，而且增加数据的随机性，效果会更好。比如我们的20000条数据，不分批的话，那么跑完20000条数据，模型才被训练了一次，误差及计算了一次，反向传播了一次，权重调整了一次，这个效率就很低了；而如果把20000分成一小撮，每一撮是一个完整的训练过程，那么效率就大大提高了。而且，这样可以增加训练数据的随机性。

接着，我们就直接上代码了。看着代码量比较多，但其实很简单。

Losses = []
for i in range(10000):
    batch_loss = []

    for start in range(0, len(X), batch_size):
        end = start + batch_size if start + batch_size < len(X) else len(X)
        # 获取本批次的输入和预测目标
        xx = torch.tensor(X[start: end, :], dtype=torch.float, requires_grad = True)
        yy =  torch.tensor(Y[start: end, :], dtype=torch.float, requires_grad = True)

        # 输入数据，得到预测值
        predict = neu(xx)

        # 使用损失函数比较预测数据和真实数据，得到loss
        loss = cost(predict, yy)

        # 反向传播，优化权重
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 记录loss
        batch_loss.append(loss)
    Losses.append(batch_loss[1:])

步骤说明：

1. 在batch中获取本批次的输入xx和预测目标yy
2. 把xx输入前面构造好的神经网络模型neu，得到预测数值predict
3. 在损失函数cost中对比预测值predict和真实值yy, 得到损失值loss
4. 在优化器optimizer中完成反向传播，优化权重，清空梯度的操作
5. 记录loss

这里通过监听loss的变化来判断训练情况，如果loss的变化趋势是。一开始迅速下降，到一定值后趋于稳定不再下降，通常就说明模型表现良好，训练完成。

loss曲线

上图是我记录的，每个batch最低的loss，可以看到，大约在600轮训练后，模型就趋于稳定。

这个时候，把最后一步的predict拿出来，和真实值yy做对比，会发现惊人的一致。

image

当然这里的一致并不能说明什么问题，训练数据表现好不能证明模型效果好，这就好像你用A推演出B的结论，再用A去验证B正确一样荒谬。正确的做法是，我们用和A有一样特征的C，去尝试推演，看是否能得出B。

3. 验证模型

验证的步骤，就是把上面训练过程最后一步的模型拿过来，放到测试集上跑一遍，观察预测值和真实值的差异

对比test_predict和test_yy的差异

image

上图观察可知，无论是工作日还是周末，也不管当天的天气如何，我们的预测基本能够贴近真实值。不过中间有几天的数据差异较大，最后分析数据发现，那几天是一个非常规的节假日，导致历史数据不具有参考意义。

到这里，整个训练过程就完成了，我们得到了一个最简单的模型，只要给定当天的气温，日期，星期等因素，它就可以预测出当天的单车使用数量。

结束

感谢您看到这里。

在今后的一段时间里，我还会尝试图像识别，文本分类和翻译，AI游戏等真实案例。所有学习案例都来自张江老师的PyTorch与深度学习课程。

望与大家共勉。