【实测】小白一看就学会的python的AI模型torch（中）
【实测】小白一看就学会的python的AI模型torch（中）
上节文章我们搞定了一个最简单的预测，那么本节我们来提高难度：
看下我假设的这个场景：
预测一对夫妻结婚多久才能生娃，生的什么娃？结婚多久才能买房，买的什么房？
这个问题中，明显要比之前的复杂很多，上节就是一个人来预测结婚年龄等。这节课，是俩个人的信息来预测，而且预测的事呢，虽然还是俩件，但是每件里都要有更详细的信息。
来看我准备的一个测试输入数据：
这是一对夫妻的个人数据，俩个人在一起就是一个二维列表了：
[[1, 174, 33, 900, 1], [2, 164, 21, 100, 3]]
然后是他们的结果输出数据：
[[2,1,5],[4,1,120]]
含义：
[[结婚两年，男孩，5斤],[结婚4年，楼房，120平]]
好，注意看，这只是一对夫妻的数据，就已经是一个二维列表了，如果我们要拿出很多对夫妻的话，那么这个输入和输出数据，都会变成三维的！
在python的AI库torch的官方教程中是明确可以支持多维度数据的。所以应该可以继续使用。那么代码中get_test_data就要变成如下的：
如图，in_data和out_data都变成三维的了！
如果我们不改变make_AI函数，直接训练那么结果如下：
原因很简单，这些测试数据和咱们的模型是不匹配的。
经过调整，代码改成如下：
import torch
import torch.nn as nn
import torch.optim as optim
# 自定义的WQRF模型
class WQRF(nn.Module):
def __init__(self, input_features=5, hidden_features=16, output_features=3):
super(WQRF, self).__init__()
# 输入层，假设每个样本有两个5维特征向量
self.fc1 = nn.Linear(input_features * 2, hidden_features)
self.relu = nn.ReLU()
# 输出层，假设每个样本有两个3维输出向量
self.fc2 = nn.Linear(hidden_features, output_features * 2)
def forward(self, x):
# 展平输入，每个样本的两个5维特征向量变为10维
x = x.view(x.size(0), -1)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
# 重塑输出，每个样本的6维输出变为两个3维向量
x = x.view(x.size(0), 2, -1)
return x
# 获取测试数据的函数
def get_test_data():
in_data = torch.tensor([
[[1, 174, 33, 900, 1], [2, 164, 21, 100, 3]],
[[2, 144, 23, 100, 2], [1, 154, 31, 150, 1]]
], dtype=torch.float32)
out_data = torch.tensor([
[[2, 1, 5], [4, 1, 120]],
[[5, 2, 6], [10, 1, 50]]
], dtype=torch.float32)
return in_data, out_data
# 示例的make_AI函数，用于训练和保存模型
def make_AI():
# 创建WQRF模型实例
wqrf = WQRF()
# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(wqrf.parameters(), lr=0.01)
# 获取测试数据
in_data, out_data = get_test_data()
# 训练过程
for i in range(10000):
optimizer.zero_grad()
outputs = wqrf(in_data) # 前向传播
loss = criterion(outputs.view(-1, 3), out_data.view(-1, 3)) # 计算损失，需要展平输出和真实值
loss.backward() # 反向传播
optimizer.step() # 更新权重
# 打印损失
print('Loss:', loss.item())
# 保存模型（如果需要）
torch.save(wqrf.state_dict(), 'WQRF_AI.pt')
其中在WQRF模型基本结构中，对输入和输出数据进行了重构降维和展平，让其的形状能互相匹配上。这一步是有规则的，如果匹配不上就是保错。当然下面的make_AI函数要进行相应的更改。然后还是要训练10000次！
训练结果的损失最终稳定在了206
如果我们想看看更详细的：
那就在循环里加上这句：
print('【预期输出】:\n%s\n【实际最后输出】:\n%s\n【指标误差】:\n%s' % (out_data.numpy(), outputs.detach().numpy(), loss.item()))最后一次的结果如下：
因为中间节点才16个，加上测试数据只有3个，所以也就能预测到这个级别了。想更精准，就要继续加数据！加节点！
然后就是使用这个模型来预测新的数据喽！
这次的play_AI函数，要写的更专业更复杂一点了哦~ 因为中间有涉及到要给结果进行重塑的过程，还是有点烧脑的。
def play_AI(model_path, new_data):
# 实例化模型
wqrf = WQRF()
# 加载模型参数
wqrf.load_state_dict(torch.load(model_path, map_location=torch.device('cpu')))
# 评估模式（关闭dropout和batch normalization的训练时行为）
wqrf.eval()
# 假设new_data是一个包含新数据的列表，每个元素是两个特征向量的列表
new_data_tensor = torch.tensor(new_data, dtype=torch.float32)
# 如果在GPU上训练，则需要将模型和数据移到GPU上
# 这里假设我们在CPU上运行
device = torch.device('cpu')
wqrf.to(device)
new_data_tensor = new_data_tensor.to(device)
# 添加一个batch维度（如果需要的话）
if len(new_data_tensor.shape) == 2:
new_data_tensor = new_data_tensor.unsqueeze(0)
# 重塑输入数据以匹配模型的输入要求（假设每个样本有两个特征向量）
new_data_tensor = new_data_tensor.view(new_data_tensor.size(0), -1)
# 进行预测
with torch.no_grad(): # 关闭梯度计算
predictions = wqrf(new_data_tensor)
# 重塑预测结果以匹配每个样本有两个3维向量的输出
predictions = predictions.view(predictions.size(0), 2, -1)
# 打印预测结果
print('预测结果:', predictions.detach().cpu().numpy())
# 示例新数据
new_data = [ [[1, 180, 35, 850, 0.5], [2, 170, 25, 95, 2.8]]]
# 假设模型参数保存在'WQRF_AI.pt'文件中
play_AI('WQRF_AI.pt', new_data)我选了一个测试数据：
[ [[1, 180, 35, 850, 1], [2, 170, 32, 555, 2]]]结果为：
结果翻译过来就是：
结婚3年，生个男孩，5斤5两。结婚7年，买了楼房，85平米。
好，本节到此结束，欢迎继续期待下一节，点赞过百更新！