【实测】小白一看就学会的python的AI模型torch（上）可以预测你的结婚年龄！！！

我去热饭

发布于 2024-05-10 19:21:48

750

发布于 2024-05-10 19:21:48

最近正好在攻克AI用例生成的技术，所以恰好弄到了这个知识点，踩了个坑，觉得挺有意义，就特此记录一下~

背景：torch是python的一个训练AI模型的第三方库，挺好用的，但是参数都得是数字，也就是你的各种业务需求，都要先想办法转换成多角度画像的数字才能利用后续的什么均方差、随机梯度下降这种算法。当然，这并不难，任何事务都可以用纯数字来表示，比如我自己，性别:1（1表示男，2表示女），身高:174，年龄:33，日收入:900，爱好:1 (1代表游戏，2代表运动，3代表旅游) 等等.... ，这样一个人就可以用一大串数字组成的列表来代表：[1,174,33,900,1]

这里说一下为什么用日收入，因为少啊！你用年收入，六位数了都！这对于其他数据才1-3位来说，属于一个噪声数据，会让整个模型很糟糕很难预测，所以准备数据一般都要平滑一点，这叫归一化或标准化处理。

正文：

然后，你比如想要的一个预测模型，预测目的比如是你在多少岁可以结婚？那么这个结婚年龄，就是模型的一个输出。当然，你可以继续预测更多内容，比如你什么时候暴富... ，所以结果可能就是这样的列表[28,31]

大家看一下，输入是[1,174,33,900,1] ,输出是[28,31] 。那么这就是一条数据，一个人的数据而已。如果你想使用这个模型真的去预测别人。那么你起码要有很多很多人的真实数据才能训练出来。

然后你去网上找了很多人的这个数据，然后所有输入都放在了一个大列表中，就会变成这样的一个二维列表

[ [1,174,33,900,1] , [2,164,21,100,3] ,[1,174,49,150,2] ... ]

然后输出也给存放到一起变成一个大二维列表

[ [28,31],[25,42],[24,51] ...]

所以，接下来我们就简单的写一下这个模型：（当然前提是你要pip下载torch，然后直接复制到你本地运行就可以看到结果）

import torch
import torch.nn as nn
import torch.optim as optim


class WQRF(nn.Module):
    def __init__(self, i_data_count, m_data_count, o_data_count):
        super().__init__()
        self.ItoM = nn.Linear(i_data_count, m_data_count)
        self.MtoO = nn.Linear(m_data_count, o_data_count)

    def forward(self, in_data):
        im = torch.relu(self.ItoM(in_data))
        return self.MtoO(im)


def get_test_data():
    in_data = torch.tensor([[1, 174, 33, 900, 1], [2, 164, 21, 100, 3], [1, 174, 49, 150, 2]], dtype=torch.float32)
    out_data = torch.tensor([[28, 31], [25, 42], [24, 51]], dtype=torch.float32)
    return in_data, out_data


def make_AI():
    wqrf = WQRF(i_data_count=5, m_data_count=16, o_data_count=2)
    criterion = nn.MSELoss()
    optimizer = optim.SGD(wqrf.parameters(), lr=0.01)

    # 获取整个数据集
    in_data, out_data = get_test_data()

    # 由于in_data和out_data已经是整个数据集，因此下面的循环是全批量梯度下降
    for epoch in range(10000):
        optimizer.zero_grad()
        # 在这里，我们使用整个数据集in_data进行一次前向传播
        out_tmp = wqrf(in_data)
        # 计算整个数据集的损失
        loss = criterion(out_tmp, out_data)
        # 反向传播损失，计算梯度
        loss.backward()
        # 使用优化器更新模型参数
        optimizer.step()
        print(f'第{epoch}次训练, 当前损失值：{loss.item()}')

这里，我print的是每次的损失值，损失值越小代表越精准。在实际使用中，一般会进行的循环要求损失值小于多少才会停止，而不是这样直接写死10000次。但有些时候因为数据选的不好，所以永远也降不到损失值以下，那就会设置一个最高循环次数比如10000来结束。

看看损失值在开始的时候还是很大的：

但是最后的时候不但稳定而且很小：

还有，给的数据越多，预测误差就越小，循环次数越多也越小，但是执行时间就会比较高，没办法。

在结束后，我们可以直接保存好这个模型，以便之后调用其来预测新人的结婚和暴富年龄等，这可是根据大数据来预测的，可不是网上那种随机结果的骗人小程序哦~ 大家可以部署后输入自己身边亲朋好友同学等人的基本信息，本地训练，然后预测自己的。毕竟大家都是一个地区和圈子内，结果应该比较准。

然后保存模型：（红圈代码，代码和之前训练的一起重新运行！才会保存！）

再次运行后，保存了这个模型文件：WQRF_AI.pt

这就是永久存储到你本地的模型了，之后要预测啥，直接调用就可以，很多同学喜欢网上下载一些AI的模型，大多也是.pt，就是这样生成的~ 以后就不用到处去网上搜还要下载了，这回当一个真正的极客，自己写模型！

然后就是使用：（你可以直接在当前文件继续写调用函数，只是再运行就别运行make_AI了，那是用来训练的。咱直接运行play_AI，这是直接用模型预测的！）

我们来假设有个女生：30岁，1米68，日收入1000，喜欢旅游。看看几岁结婚几岁暴富！

def play_AI():
    in_data = torch.tensor([2,168,30,1000,3],dtype=torch.float32)
    wqrf = WQRF(5,16,2)
    wqrf.load_state_dict(torch.load('WQRF_AI.pt'))
    result = wqrf(in_data)
    print(result.tolist())

play_AI()

好，然后我们看看预测的结果：