当前位置: 首页 > news >正文

wordpress 形式php深圳网站建设及优化

wordpress 形式php,深圳网站建设及优化,建设什么网站,wordpress做排名如何作业:对之前的信贷项目,利用神经网络训练下,尝试用到目前的知识点让代码更加规范和美观。 1.初始化 # 导包 import pandas as pd #用于数据处理和分析,可处理表格数据。 import numpy as np #用于数值计算,提供…
  • 作业:对之前的信贷项目,利用神经网络训练下,尝试用到目前的知识点让代码更加规范和美观。

1.初始化

# 导包
import pandas as pd    #用于数据处理和分析,可处理表格数据。
import numpy as np     #用于数值计算,提供了高效的数组操作。
import torch
import torch.nn as nn
import torch.optim as optim
import torchsummary
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import time
import matplotlib.pyplot as plt
from tqdm import tqdm  # 导入tqdm库用于进度条显示
import warnings
warnings.filterwarnings("ignore")# 设置中文字体(解决中文显示问题)
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号# 设置GPU设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")

2.读取数据,预处理

data = pd.read_csv('data.csv')    #读取数据
# 先筛选字符串变量 
discrete_features = data.select_dtypes(include=['object']).columns.tolist()
# Home Ownership 标签编码
home_ownership_mapping = {'Own Home': 1,'Rent': 2,'Have Mortgage': 3,'Home Mortgage': 4
}
data['Home Ownership'] = data['Home Ownership'].map(home_ownership_mapping)# Years in current job 标签编码
years_in_job_mapping = {'< 1 year': 1,'1 year': 2,'2 years': 3,'3 years': 4,'4 years': 5,'5 years': 6,'6 years': 7,'7 years': 8,'8 years': 9,'9 years': 10,'10+ years': 11
}
data['Years in current job'] = data['Years in current job'].map(years_in_job_mapping)# Purpose 独热编码,记得需要将bool类型转换为数值
data = pd.get_dummies(data, columns=['Purpose'])
data2 = pd.read_csv("data.csv") # 重新读取数据,用来做列名对比
list_final = [] # 新建一个空列表,用于存放独热编码后新增的特征名
for i in data.columns:if i not in data2.columns:list_final.append(i) # 这里打印出来的就是独热编码后的特征名
for i in list_final:data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名# Term 0 - 1 映射
term_mapping = {'Short Term': 0,'Long Term': 1
}
data['Term'] = data['Term'].map(term_mapping)
data.rename(columns={'Term': 'Long Term'}, inplace=True) # 重命名列
continuous_features = data.select_dtypes(include=['int64', 'float64']).columns.tolist()  #把筛选出来的列名转换成列表
print(len(continuous_features),continuous_features)# 连续特征用中位数补全
for feature in continuous_features:     mode_value = data[feature].mode()[0]            #获取该列的众数。data[feature].fillna(mode_value, inplace=True)          #用众数填充该列的缺失值,inplace=True表示直接在原数据上修改。# 最开始也说了 很多调参函数自带交叉验证,甚至是必选的参数,你如果想要不交叉反而实现起来会麻烦很多
# 所以这里我们还是只划分一次数据集
from sklearn.model_selection import train_test_split
X = data.drop(['Credit Default'], axis=1)  # 特征,axis=1表示按列删除
y = data['Credit Default'] # 标签# 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)# 归一化数据
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

3.数据转化传入GPU

import torch
import pandas as pd# 假设 X_train 是 DataFrame(如果已经是 ndarray,可跳过前两步)
# X_train = X_train.values  # 若已转 ndarray,这行多余,删掉
# X_test = X_test.values    # 同理删掉# 转换并移动到设备
X_train = torch.FloatTensor(X_train).to(device)
y_train = torch.LongTensor(y_train.values).to(device)
X_test = torch.FloatTensor(X_test).to(device)
y_test = torch.LongTensor(y_test.values).to(device)

4.初始化模型,查看结构

X_train.shape  #输入改成31,输出是二分类改为2class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(31, 10)  # 输入层到隐藏层self.relu = nn.ReLU()self.fc2 = nn.Linear(10, 2)  # 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# 实例化模型并移至GPU
model = MLP().to(device)from torchsummary import summary
# 打印模型摘要,可以放置在模型定义后面
summary(model, input_size=(31,))# 分类问题使用交叉熵损失函数
criterion = nn.CrossEntropyLoss()# 使用随机梯度下降优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)

5.开始训练,可视化结果

# 训练模型
num_epochs = 20005  # 训练的轮数不是1000的倍数,因为这样才能凸显下面 确保进度条达到100%这一段代码的作用。大家可以按照我的轮次把下面 确保进度条达到100%代码注释一下看看结果# 用于存储每100个epoch的损失值和对应的epoch数
losses = []
epochs = []start_time = time.time()  # 记录开始时间# 创建tqdm进度条
with tqdm(total=num_epochs, desc="训练进度", unit="epoch") as pbar:# 训练模型for epoch in range(0,num_epochs):# 前向传播outputs = model(X_train)  # 隐式调用forward函数loss = criterion(outputs, y_train)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()# 记录损失值并更新进度条if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新进度条的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000个epoch更新一次进度条if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新进度条# 确保进度条达到100%# if pbar.n < num_epochs:#     pbar.update(num_epochs - pbar.n)  # 计算剩余的进度并更新time_all = time.time() - start_time  # 计算训练时间
print(f'Training time: {time_all:.2f} seconds')# 可视化损失曲线
plt.figure(figsize=(10, 6))
plt.plot(epochs, losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss over Epochs')
plt.grid(True)
plt.show()

6.测试输出推理

# 在测试集上评估模型,此时model内部已经是训练好的参数了
# 评估模型
model.eval() # 设置模型为评估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度计算,可以提高模型推理速度outputs = model(X_test)  # 对测试数据进行前向传播,获得预测结果_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和对应的索引#这个函数返回2个值,分别是最大值和对应索引,参数1是在第1维度(行)上找最大值,_ 是Python的约定,表示忽略这个返回值,所以这个写法是找到每一行最大值的下标# 此时outputs是一个tensor,p每一行是一个样本,每一行有3个值,分别是属于3个类别的概率,取最大值的下标就是预测的类别# predicted == y_test判断预测值和真实值是否相等,返回一个tensor,1表示相等,0表示不等,然后求和,再除以y_test.size(0)得到准确率# 因为这个时候数据是tensor,所以需要用item()方法将tensor转化为Python的标量# 之所以不用sklearn的accuracy_score函数,是因为这个函数是在CPU上运行的,需要将数据转移到CPU上,这样会慢一些# size(0)获取第0维的长度,即样本数量correct = (predicted == y_test).sum()# print(correct,type(correct))correct = (predicted == y_test).sum().item() # 计算预测正确的样本数# print(correct,type(correct))accuracy = correct / y_test.size(0)print(f'测试集准确率: {accuracy * 100:.2f}%')# print(predicted,type(predicted))# print(y_test,type(y_test))

@浙大疏锦行

http://www.dtcms.com/a/429322.html

相关文章:

  • 湖南网站建设平台东莞厚街家具
  • 做网站虚拟主机好还是江西公共资源交易网
  • 最好的网站设计微信超市小程序
  • 成都网站建设服务密需湖南岚鸿案例软件著作权申请多少钱一个
  • Doxygen下载安装使用教程(附安装包)
  • asp.net网站打不开html页面青岛电商网站制作
  • 长沙网站制作关键词推广网站定制开发特点
  • 网站建设技术团队有多重要性爱站seo
  • 电子 公司 网站建设html婚纱网站源码
  • 深圳网站建设公司联系方式网站建设有什么品牌
  • 电影下载网站如何做广州开发区建设局网站
  • 郑州国际装备制造业会展网站的建设义乌网站建设公司书生商友
  • 展示型网站报价百度首页精简版
  • 深度学习激活函数:从Sigmoid到GELU的演变历程——现代激活函数的优势与应用拓展
  • 网站开发企划书哪些网站布局设计做的比较好的
  • 淄博seo排名广东seo点击排名软件哪里好
  • 找在家做的兼职上什么网站好个人如何办网站
  • 网站手机版管理链接wordpress 模板带数据库
  • 网站建设多久学会重庆大渡口营销型网站建设公司哪家专业
  • 网站加ico图标用淘宝做公司网站
  • 企石网站建设网站一定要备案
  • 解决自己编译的程序在其他电脑运行时弹出0xc000007b错误的问题
  • 做海报推荐网站盘锦网站变建设
  • 网站怎么发布学生做的网站需要备案
  • 购物网站的排版在某网站被骗钱该怎么做
  • 做旅游网站需要注意什么网络推广专员招聘
  • 个人做外贸的网站那个好做网站开发建设账务处理程序
  • 国外平面设计网站有哪些北京住房和城乡建设网站
  • 优化站点网站更改空间
  • 自己做文字壁纸的网站怎么做自动提卡网站