### PyTorch神经网络训练与统计数据分析 以下是基于PyTorch框架的一个完整的神经网络训练示例，该示例展示了如何利用统计数据进行预测。此代码可以作为基础模板，适用于多种场景下的分类或回归任务。 #### 导入必要的库 首先导入所需的Python库，这些库对于构建和训练神经网络至关重要。 ```python import torch import torch.nn as nn import torch.optim as optim from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import numpy as np import pandas as pd ``` #### 准备数据集 假设有一个包含特征和目标变量的DataFrame `data`，其中最后一列为目标值（即标签）。以下是对数据预处理的过程： 1. 提取特征和标签： ```python features = data.iloc[:, :-1].values # 特征矩阵 labels = data.iloc[:, -1].values # 标签数组 ``` 2. 划分训练集和测试集： ```python X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42) ``` 3. 对特征进行标准化处理： ```python scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 转换为Tensor格式以便PyTorch使用 X_train_tensor = torch.tensor(X_train, dtype=torch.float32) y_train_tensor = torch.tensor(y_train, dtype=torch.float32).view(-1, 1) X_test_tensor = torch.tensor(X_test, dtype=torch.float32) y_test_tensor = torch.tensor(y_test, dtype=torch.float32).view(-1, 1) ``` #### 定义神经网络模型 创建一个继承自`nn.Module`的类来定义神经网络架构。这里设计了一个简单的全连接神经网络，包含一个隐藏层[^3]。 ```python class NeuralNet(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(NeuralNet, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) # 输入到隐藏层 self.relu = nn.ReLU() # 激活函数ReLU self.fc2 = nn.Linear(hidden_dim, output_dim) # 隐藏层到输出层 def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out ``` 初始化模型参数并设置损失函数与优化器： ```python input_dim = X_train.shape[1] # 输入维度 hidden_dim = 10 # 隐藏层节点数量 output_dim = 1 # 输出维度（单输出） model = NeuralNet(input_dim, hidden_dim, output_dim) criterion = nn.MSELoss() # 均方误差损失函数 optimizer = optim.Adam(model.parameters(), lr=0.01) # Adam优化算法 ``` #### 训练过程 执行多次迭代以更新模型权重，使损失逐渐减小。 ```python num_epochs = 500 # 迭代次数 for epoch in range(num_epochs): model.train() optimizer.zero_grad() outputs = model(X_train_tensor) # 正向传播 loss = criterion(outputs, y_train_tensor) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 if (epoch+1) % 50 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') ``` #### 测试与评估 完成训练后，在测试集上验证模型性能。 ```python model.eval() with torch.no_grad(): predictions = model(X_test_tensor) mse_loss = criterion(predictions, y_test_tensor) print(f'Test MSE Loss: {mse_loss.item()}') ``` 以上是一个基本的PyTorch神经网络训练流程，可以根据具体需求调整超参数、增加更多层数或者改变激活函数等[^1]。 --- ####