### 使用Jupyter Notebook构建神经网络预测模型而不依赖TensorFlow 尽管TensorFlow是一个流行的深度学习框架，但在Jupyter Notebook中构建神经网络预测模型还有其他替代方案。以下是基于Python生态系统的另一种方法——使用`PyTorch`作为主要工具来完成此任务。 #### 数据准备与预处理 在任何机器学习或深度学习项目中，数据的清洗和预处理都是至关重要的一步。这通常涉及缺失值填充、标准化或归一化数值型特征以及编码类别变量等操作[^2]。可以借助Pandas库加载和管理数据集，并利用Scikit-learn中的函数来进行这些转换： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 假设有一个CSV文件名为'data.csv' df = pd.read_csv('data.csv') X = df.drop(columns=['target']).values y = df['target'].values # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` #### 构建神经网络模型 接下来，在不采用TensorFlow的情况下，可以选择PyTorch来设计自定义的神经网络架构。下面展示的是一个多层感知机（MLP）的例子： ```python import torch import torch.nn as nn import torch.optim as optim class NeuralNetwork(nn.Module): def __init__(self, input_dim): super(NeuralNetwork, self).__init__() self.layers = nn.Sequential( nn.Linear(input_dim, 64), nn.ReLU(), nn.Dropout(p=0.5), nn.Linear(64, 32), nn.ReLU(), nn.Linear(32, 1) # 输出维度取决于具体问题 ) def forward(self, x): return self.layers(x) input_dim = X_train.shape[1] model = NeuralNetwork(input_dim=input_dim) criterion = nn.MSELoss() # 如果是回归问题则选用MSE损失 optimizer = optim.Adam(model.parameters(), lr=0.001) ``` #### 模型训练过程 一旦完成了模型的设计工作之后，就可以进入实际的训练阶段了。这里给出一段简单的循环代码用于批量更新权重参数直至达到预定的最大轮次或者满足收敛条件为止: ```python batch_size = 32 epochs = 50 for epoch in range(epochs): permutation = torch.randperm(X_train_scaled.shape[0]) for i in range(0,X_train_scaled.shape[0], batch_size): indices = permutation[i:i+batch_size] X_batch = torch.tensor(X_train_scaled[indices], dtype=torch.float32) y_batch = torch.tensor(y_train[indices].reshape(-1,1), dtype=torch.float32) optimizer.zero_grad() outputs = model(X_batch) loss = criterion(outputs, y_batch) loss.backward() optimizer.step() if (epoch+1)%10==0: print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}') ``` #### 测试与评估性能 最后一步是对已训练好的模型进行验证其泛化能力如何。可以通过计算均方误差(Mean Squared Error,MSE)，决定系数(R² Score)等方式衡量效果好坏程度。 ```python with torch.no_grad(): predictions = model(torch.tensor(X_test_scaled,dtype=torch.float32)).numpy().flatten() mse = ((predictions-y_test)**2).mean() print("Mean squared error on the testing set:", mse) ```