前言

踏入深度学习的奇妙世界，就像开启了一场探索未知的旅程。今天，我们将携手踏上一小段轻松而充满乐趣的入门之旅——价格分类。想象一下，通过神奇的神经网络，我们能够教会电脑理解并预测商品的价格区间，是不是既实用又令人兴奋呢？别担心复杂的数学公式，让我们以轻松愉悦的心态，一步步揭开深度学习的神秘面纱，从价格分类这个小案例开始，共同见证智能的力量吧！

案例背景

小明创办了一家手机公司，他不知道如何估算手机产品的价格。为了解决这个问题，他收集了多家公司的手机销售数据。

我们需要帮助小明找出手机的功能（例如：RAM等）与其售价之间的某种关系。我们可以使用机器学习的方法来解决这个问题，也可以构建一个全连接的网络。

要求

在这个问题中，我们不需要预测实际价格，而是一个价格范围，它的范围使用 0、1、2、3 来表示，所以该问题也是一个分类问题。

1. 构建数据集

数据共有 2000 条, 其中 1600 条数据作为训练集, 400 条数据用作测试集。 我们使用 sklearn 的数据集划分工作来完成。并使用 PyTorch 的 TensorDataset 来将数据集构建为 Dataset 对象，方便构造数据集加载对象。

<code># 构建数据集

def create_dataset():

data = pd.read_csv('data/手机价格预测.csv')

# 特征值和目标值

x, y = data.iloc[:, :-1], data.iloc[:, -1]

x = x.astype(np.float32)

y = y.astype(np.int64)

# 数据集划分

x_train, x_valid, y_train, y_valid = \

train_test_split(x, y, train_size=0.8, random_state=88, stratify=y)

# 构建数据集

train_dataset = TensorDataset(torch.from_numpy(x_train.values), torch.tensor(y_train.values))

valid_dataset = TensorDataset(torch.from_numpy(x_valid.values), torch.tensor(y_valid.values))

return train_dataset, valid_dataset, x_train.shape[1], len(np.unique(y))

train_dataset, valid_dataset, input_dim, class_num = create_dataset()

2. 构建分类网络模型

我们构建的用于手机价格分类的模型叫做全连接神经网络。它主要由三个线性层来构建，在每个线性层后，我们使用的时 sigmoid 激活函数。

# 构建网络模型

class PhonePriceModel(nn.Module):

def __init__(self, input_dim, output_dim):

super(PhonePriceModel, self).__init__()

self.linear1 = nn.Linear(input_dim, 128)

self.linear2 = nn.Linear(128, 256)

self.linear3 = nn.Linear(256, output_dim)

def _activation(self, x):

return torch.sigmoid(x)

def forward(self, x):

x = self._activation(self.linear1(x))

x = self._activation(self.linear2(x))

output = self.linear3(x)

return output

我们的网络共有 3 个全连接层, 具体信息如下:

第一层: 输入为维度为 20, 输出维度为: 128第二层: 输入为维度为 128, 输出维度为: 256第三层: 输入为维度为 256, 输出维度为: 4

我们使用 sigmoid 激活函数.

3. 编写训练函数

网络编写完成之后，我们需要编写训练函数。所谓的训练函数，指的是输入数据读取、送入网络、计算损失、更新参数的流程，该流程较为固定。我们使用的是多分类交叉生损失函数、使用 SGD 优化方法。最终，将训练好的模型持久化到磁盘中。

def train():

# 固定随机数种子

torch.manual_seed(0)

# 初始化模型

model = PhonePriceModel(input_dim, class_num)

# 损失函数

criterion = nn.CrossEntropyLoss()

# 优化方法

optimizer = optim.SGD(model.parameters(), lr=1e-3)

# 训练轮数

num_epoch = 50

for epoch_idx in range(num_epoch):

# 初始化数据加载器

dataloader = DataLoader(train_dataset, shuffle=True, batch_size=8)

# 训练时间

start = time.time()

# 计算损失

total_loss = 0.0

total_num = 1

# 准确率

correct = 0

for x, y in dataloader:

output = model(x)

# 计算损失

loss = criterion(output, y)

# 梯度清零

optimizer.zero_grad()

# 反向传播

loss.backward()

# 参数更新

optimizer.step()

total_num += len(y)

total_loss += loss.item() * len(y)

print('epoch: %4s loss: %.2f, time: %.2fs' %

(epoch_idx + 1, total_loss / total_num, time.time() - start))

# 模型保存

torch.save(model.state_dict(), 'model/phone-price-model.bin')

4. 编写评估函数

评估函数、也叫预测函数、推理函数，主要使用训练好的模型，对未知的样本的进行预测的过程。我们这里使用前面单独划分出来的测试集来进行评估。

def test():

# 加载模型

model = PhonePriceModel(input_dim, class_num)

model.load_state_dict(torch.load('model/phone-price-model.bin'))

# 构建加载器

dataloader = DataLoader(valid_dataset, batch_size=8, shuffle=False)

# 评估测试集

correct = 0

for x, y in dataloader:

output = model(x)

y_pred = torch.argmax(output, dim=1)

correct += (y_pred == y).sum()

print('Acc: %.5f' % (correct.item() / len(valid_dataset)))

程序输出结果:

Acc: 0.54750

5. 网络性能调优

我们前面的网络模型在测试集的准确率为: 0.54750, 我们可以通过以下方面进行调优:

对输入数据进行标准化调整优化方法调整学习率增加批量归一化层增加网络层数、神经元个数增加训练轮数等等...

我进行下如下调整: 1. 优化方法由 SGD 调整为 Adam 2. 学习率由 1e-3 调整为 1e-4 3. 对数据数据进行标准化 4. 增加网络深度, 即: 增加网络参数量

网络模型在测试集的准确率由 0.5475 上升到 0.9625，调整后的完整代码为:

import torch

import torch.nn as nn

import torch.nn.functional as F

import pandas as pd

from sklearn.model_selection import train_test_split

from torch.utils.data import TensorDataset

from torch.utils.data import DataLoader

import torch.optim as optim

import numpy as np

import time

from sklearn.preprocessing import StandardScaler

# 构建数据集

def create_dataset():

data = pd.read_csv('data/手机价格预测.csv')

# 特征值和目标值

x, y = data.iloc[:, :-1], data.iloc[:, -1]

x = x.astype(np.float32)

y = y.astype(np.int64)

# 数据集划分

x_train, x_valid, y_train, y_valid = \

train_test_split(x, y, train_size=0.8, random_state=88, stratify=y)

# 数据标准化

transfer = StandardScaler()

x_train = transfer.fit_transform(x_train)

x_valid = transfer.transform(x_valid)

# 构建数据集

train_dataset = TensorDataset(torch.from_numpy(x_train), torch.tensor(y_train.values))

valid_dataset = TensorDataset(torch.from_numpy(x_valid), torch.tensor(y_valid.values))

return train_dataset, valid_dataset, x_train.shape[1], len(np.unique(y))

train_dataset, valid_dataset, input_dim, class_num = create_dataset()

# 构建网络模型

class PhonePriceModel(nn.Module):

def __init__(self, input_dim, output_dim):

super(PhonePriceModel, self).__init__()

self.linear1 = nn.Linear(input_dim, 128)

self.linear2 = nn.Linear(128, 256)

self.linear3 = nn.Linear(256, 512)

self.linear4 = nn.Linear(512, 128)

self.linear5 = nn.Linear(128, output_dim)

def _activation(self, x):

return torch.sigmoid(x)

def forward(self, x):

x = self._activation(self.linear1(x))

x = self._activation(self.linear2(x))

x = self._activation(self.linear3(x))

x = self._activation(self.linear4(x))

output = self.linear5(x)

return output

# 编写训练函数

def train():

# 固定随机数种子

torch.manual_seed(0)

# 初始化模型

model = PhonePriceModel(input_dim, class_num)

# 损失函数

criterion = nn.CrossEntropyLoss()

# 优化方法

optimizer = optim.Adam(model.parameters(), lr=1e-4)

# 训练轮数

num_epoch = 50

for epoch_idx in range(num_epoch):

# 初始化数据加载器

dataloader = DataLoader(train_dataset, shuffle=True, batch_size=8)

# 训练时间

start = time.time()

# 计算损失

total_loss = 0.0

total_num = 1

# 准确率

correct = 0

for x, y in dataloader:

output = model(x)

# 计算损失

loss = criterion(output, y)

# 梯度清零

optimizer.zero_grad()

# 反向传播

loss.backward()

# 参数更新

optimizer.step()

total_num += len(y)

total_loss += loss.item() * len(y)

print('epoch: %4s loss: %.2f, time: %.2fs' %

(epoch_idx + 1, total_loss / total_num, time.time() - start))

# 模型保存

torch.save(model.state_dict(), 'model/phone-price-model.bin')

def test():

# 加载模型

model = PhonePriceModel(input_dim, class_num)

model.load_state_dict(torch.load('model/phone-price-model.bin'))

# 构建加载器

dataloader = DataLoader(valid_dataset, batch_size=8, shuffle=False)

# 评估测试集

correct = 0

for x, y in dataloader:

output = model(x)

y_pred = torch.argmax(output, dim=1)

correct += (y_pred == y).sum()

print('Acc: %.5f' % (correct.item() / len(valid_dataset)))

if __name__ == '__main__':

train()

test()

感谢CSDN大佬们的支持，有需要改进的地方欢迎大家指正！