2.搭建Pytorch神经网络进行气温预测
回归任务：输入数据—网络—预测值
1. 数据处理
这个任务就是输入一个天气的特征，预测实际的温度。
将星期几这种字符串转换成01：
348个样本，每个样本14个特征，但是当前特征有的数据大，有的很小。不能越大的数就越重要，需要进行标准化。
- 去均值–尽可能让数据按原点对称
- 比标准差–取值范围大的除大的，小的除小的
这样就比较均衡。
fit就是在计算并做转换
如果我们的第一个year全是2016，那这个特征就没用了，所以是0。
2. 构建网络模型
把输入输出数据都得转化成tensor
randn 做一个随机初始化，都要算梯度
指定学习率（相对小一点），损失
总共迭代1000次，每次都更新梯度
x.mm（乘）w1+b1 得到隐层结果，然后引入一个非线性映射relu；然后算输出 h.mm(w2) + b2 ，然后评估一下预测的好不好，也就是计算损失。
因为式子中的数据都是tensor，所以计算出的 loss 的格式是tensor，但是matplotlib画图用的数据是ndarray格式，所以需要转换一下。
迭代100次打印一下损失。反向传播虽然原理复杂，但是代码就这么一行就搞定了。
反向完取梯度，沿这个方向去做更新，当然是根据学习率去做更新，负号就是因为这个梯度是向上的，我们想要沿着梯度的反方向去更新，要去找能使损失最小的权重参数。
这个就是上一节中也讲过，每次迭代都是做同样的事，和之前的迭代一点关系没有，所以需要清空，torch中不清零会累加。
以上这些就是流程，实际中有封装好的接口直接调用。
348个预测值，每个样本一个预测结果。
3. 更简单的构建网络模型
调包需要一些参数：
input_size：输入特征个数
batch_size：一次迭代这么多个样本，一批一批去迭代
nn指定一个 Sequential 序列模块，就是下面的按顺序执行。
Linear：wx+b，不用我们自己写那些过程了
Sigmoid：也是一种激活函数，用哪个都行
Linear：做输出
刚才手打公式，现在就是用人家的损失函数：MSELoss（均值）计算出cost
优化器optimizer：用学习率更新参数
简单讲讲Adam：它的引用量非常之高，已经成为深度学习社区的“常青树”级方法。
蓝色曲线 就是典型的“狭长山谷”型损失面，红色点为最优损失点，目标就是最快的到达那个点。
这样的场景下，不同维度的梯度尺度差异 会导致普通 SGD 在陡峭方向上来回震荡，而在平缓方向上前进缓慢。蓝色折线就是每一步只按当前梯度（竖直向下）更新后的位移。它每次都在「竖直方向」来回猛跳，没什么推进效果；在「横轴」方向上，更新幅度又很小，进展极其缓慢。
红色虚线箭头就是 累加历史梯度的动量（惯性），在陡峭方向上，上一次的梯度会部分抵消本次的梯度，抑制来回震荡。在平缓方向上，累积的小梯度则能「滚雪球」式地加速前进。
绿色轨迹比蓝色「上下颠簸」平滑了许多，整体朝最深处（红点）更快滑过去。
总的来说，Adam和SGD的基本思想一样，但是效率更高。想都不用想直接调Adam就完事了。
还是迭代1000次，每次取的xx，yy是一批一批的取，也就是一个batch一个batch的取。
xx按照我们的网络一点一点去走，计算loss，opt.zero_grad() 上轮梯度清零，然后反向传播，step对所有参数进行更新，存一下损失就完事了。
只有调用 loss.backward() 时才会往各个参数的 .grad 里写入（其实是“累加”）梯度。只要你能保证每次调用 backward() 前，那些 .grad 都是 0，就不会把「新梯度」和「上一次残留的旧梯度」搞混了。
4. 预测训练结果
上面是训练网络的过程，现在就是用这个训练好的去进行预测，看看结果
predict就是最终预测值
我们这个中间只有一个隐层，这个可以加着玩，越加越过拟合。