对使用 PyTorch 的`torch.nn.Transformer`模块构建的 Transformer 模型处理.csv 数据的预测结果进行可视化展示，可以采用以下几种常见的方法： #### 1. 绘制预测值与真实值的散点图 散点图可以直观地展示预测值与真实值之间的关系。以下是示例代码： ```python import matplotlib.pyplot as plt import torch import pandas as pd from sklearn.model_selection import StratifiedKFold import numpy as np # 假设已经完成模型训练和预测，得到预测结果和真实标签 # 这里简单模拟数据 data = pd.read_csv('data.csv') features = data.iloc[:, 3:].values labels = data['event'].values skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) for train_index, test_index in skf.split(features, labels): test_features = features[test_index] test_labels = labels[test_index] test_features = torch.tensor(test_features, dtype=torch.float32) # 假设 model 是已经训练好的模型 model = TransformerModel(input_dim=512) with torch.no_grad(): predictions = model(test_features).squeeze().numpy() test_labels = test_labels.squeeze() plt.scatter(test_labels, predictions) plt.xlabel('True Labels') plt.ylabel('Predictions') plt.title('Scatter Plot of True Labels vs Predictions') plt.show() ``` #### 2. 绘制预测值的直方图 直方图可以展示预测值的分布情况。示例代码如下： ```python plt.hist(predictions, bins=20) plt.xlabel('Predictions') plt.ylabel('Frequency') plt.title('Histogram of Predictions') plt.show() ``` #### 3. 使用 TensorBoard 可视化 `torch.utils.tensorboard.SummaryWriter`可以在 TensorBoard 中可视化记录训练过程中的各种指标，如损失、准确度、权重等。示例代码如下： ```python from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter('logs') # 在训练过程中记录指标 for epoch in range(num_epochs): # 训练代码 train_loss = ... writer.add_scalar('Train Loss', train_loss, epoch) # 验证代码 val_loss = ... writer.add_scalar('Validation Loss', val_loss, epoch) # 记录预测结果 writer.add_histogram('Predictions', predictions, global_step=0) writer.close() ``` 开启 TensorBoard 可以使用命令`tensorboard --logdir=./logs` [^4]。