环境准备：
1、anaconda官网下载
下载地址
https://www.anaconda.com/distribution/
注意选用该电脑相应的系统和64/32位。
已安装Python使用环境的请跳过此步骤。
已安装Python使用环境的请跳过此步骤。
2、pytorch安装
https://pytorch.org/get-started/previous-versions/
基础框架：
1、数据准备
假设我们现在用开盘价、收盘价、最高价和最低价来预测下一天涨幅。其中，开盘价、收盘价、最高价、最低价使用连续5天的数据，那么模型输入数据为4x5的矩阵。矩阵的每一行分别对应开盘价、收盘价、最高价、最低价。模型输出为下一天涨幅。下面采用随机的方法生成10个样本数据，输入为维度为10x4x5，目标涨幅为10x1。
# 构建输入数据集
class Data_set(Dataset):
def __init__(self, transform=None):
self.transform = transform
self.x_data = np.random.randint(0, 10, (10,4,5))
self.y_data = np.random.randint(0, 10, (10,1))
def __getitem__(self, index):
x, y = self.pull_item(index)
return x, y
def __len__(self):
return self.x_data.shape[0]
def pull_item(self, index):
return self.x_data[index, :, :], self.y_data[index, :]
2、定义神经网络模型
这里简单定义一个两层模型，第一层为卷积层，第二层为全连接层。
class MyModel(nn.Module):
def __init__(self, num_classes=10):
super(MyModel, self).__init__()
self.model_name = "test"
self.conv = nn.Conv1d(4, 1, 3, 1, 1)
self.fc = nn.Linear(5, 1)
def forward(self, x):
x = self.conv(x)
x = x.view(-1, 5)
return self.fc(x)
3、损失函数定义
损失函数用于计算模型输出与真实结果之间的误差，可以自己定义，也可以直接使用pytorch中的损失函数。
class MyLoss(nn.Module):
def __init__(self):
super().__init__()
def forward(self, x, y):
return torch.mean(torch.pow((x - y), 2))
4、完整代码
# -*- coding: utf-8 -*-
"""
Created on Fri Mar 13 20:30:41 2020
@author: yehx
"""
import argparse
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader
from torch.autograd import Variable
# 构建输入数据集
class Data_set(Dataset):
def __init__(self, transform=None):
self.transform = transform
self.x_data = np.random.randint(0, 10, (10,4,5))
self.y_data = np.random.randint(0, 10, (10,1))
def __getitem__(self, index):
x, y = self.pull_item(index)
return x, y
def __len__(self):
return self.x_data.shape[0]
def pull_item(self, index):
return self.x_data[index, :, :], self.y_data[index, :]
class MyModel(nn.Module):
def __init__(self, num_classes=10):
super(MyModel, self).__init__()
self.model_name = "test"
self.conv = nn.Conv1d(4, 1, 3, 1, 1)
self.fc = nn.Linear(5, 1)
def forward(self, x):
x = self.conv(x)
x = x.view(-1, 5)
return self.fc(x)
class MyLoss(nn.Module):
def __init__(self):
super().__init__()
def forward(self, x, y):
return torch.mean(torch.pow((x - y), 2))
if __name__ == "__main__":
parser = argparse.ArgumentParser(description='基础模型参数配置')
train_set = parser.add_mutually_exclusive_group()
parser.add_argument('--batch_size', default=2, type=int,
help='Batch size for training')
args = parser.parse_args()
dataset = Data_set()
data_loader = DataLoader(dataset, args.batch_size, shuffle=True)
Net = MyModel()
criterion = MyLoss()
#criterion = nn.MSELoss() #也可使用pytorch自带的损失函数
optimzer = torch.optim.SGD(Net.parameters(), lr=0.001)
Net.train()
loss_list = []
num_epoches = 20
for epoch in range(num_epoches):
for i, data in enumerate(data_loader):
inputs, labels = data
inputs, labels = Variable(inputs).float(), Variable(labels).float()
out = Net(inputs)
loss = criterion(out, labels) # 计算误差
optimzer.zero_grad() # 清除梯度
loss.backward()
optimzer.step()
loss_list.append(loss.item())
if (epoch+1) % 10 == 0:
print('[INFO] {}/{}: Loss: {:.4f}'.format(epoch+1, num_epoches, loss.item()))
#作图：误差loss在迭代过程中的变化情况
plt.plot(loss_list, label='loss for every epoch')
plt.legend()
plt.show()
#训练的模型参数
print('[INFO] 训练后模型的参数：')
for name,parameters in Net.named_parameters():
print(name,':',parameters)
#测试模型结果
print('[INFO] 计算某个样本模型运算结果：')
Net.eval()
x_data = np.random.randint(0, 10, (4,5))
x_data = torch.tensor(x_data).float()
x_data = x_data.unsqueeze(0)
y_data = Net(x_data)
print(y_data.item())
#模型保存
torch.save(Net, 'model0.pth')
#模型加载
print('[INFO] 验证模型加载运算结果：')
model0 =torch.load('model0.pth')
y_data = model0 (x_data)
print(y_data.item())
