LSTM模型做二分类（PyTorch实现）

一、把数据集划分成训练集、验证集和测试集？

我们通常将数据集划分为训练集、验证集和测试集，每个部分都有其特定的作用

1. 训练集（Training Set）：模型直接从这个数据集学习特征和模式。

   • 用于训练模型，即通过训练集的数据来学习模型的参数（如权重和偏置）。

   • 模型在训练集上通过反向传播和优化算法（如Adam）来最小化损失函数。

2. 验证集（Validation Set）：模型不直接从这个数据集学习，但影响训练决策。

   • 用于在训练过程中评估模型的表现，以便进行模型选择和调参。

   • 通过验证集，我们可以监控模型在未见过的数据上的表现，避免过拟合。

   • 例如，我们可以根据验证集上的表现来决定早停（Early Stopping）的时机，或者调整超参数（如学习率、隐藏层维度等）。

3. 测试集（Test Set）：在整个训练过程中完全不被使用，确保评估的客观性。

   • 用于最终评估模型的泛化能力。测试集在训练过程中完全不被使用，直到训练结束。

   • 测试集上的表现反映了模型在真实世界中未知数据上的表现。

注意：由于在训练时需要前向传播求损失，然后再反向传播更新模型参数；而在验证时仅仅通过前向传播求验证损失。

在下面的任务中我们就是为了设置早停策略，通过比较验证损失val_loss来保存最佳

为什么要把训练集再分成训练集和验证集？

• 如果我们只使用训练集和测试集，那么我们在训练过程中无法知道模型是否过拟合了训练集。因为测试集只能用于最终评估，我们不能使用测试集来调整模型或选择模型，否则会导致测试集被间接地用于训练，从而高估模型的泛化能力。

只有训练损失与验证损失同时递减，才能说明模型泛化能力好；

如果训练损失在下降，而验证损失一直不下降说明如果再继续训练就会出现过拟合了，这个时候要提前停止训练并保存最优模型（验证损失最低的）。

• 使用验证集，我们可以在训练过程中定期评估模型，根据验证集上的表现来调整超参数，并选择最佳的模型。然后，我们使用测试集来评估最终模型的泛化能力。

训练集+验证集+测试集 VS 训练集+测试集的区别：

• 训练集+验证集+测试集：我们将原始数据分成三部分，训练集用于训练，验证集用于模型选择和调参，测试集用于最终评估。这是一种标准的做法，可以更好地评估模型的泛化能力。

• 训练集+测试集：我们只将数据分成两部分，训练集用于训练，测试集用于评估。这种情况下，我们无法在训练过程中使用验证集来监控模型和调参，容易导致过拟合，并且无法进行模型选择（比如早停）。

二、LSTM实战案例（模型逆向攻击日志数据集）

0.导入相关的库。

这里面有一个新见的库：seaborn 用于绘制混淆矩阵的热力地图。

Seaborn 是一个基于 matplotlib 且数据结构与 pandas 统一的统计图制作库。

1.加载数据集

上面是图片是我的特征向量和标签的json格式的数据集文件，由于数据集加载这部分不是本章重点，所以不再赘述。

假设现在已经通过一个封装好的load_data()方法，已经返回了特征向量X和标签y。

2.划分数据集（80%训练+20%验证, 30%测试）

一次划分：先划分出来训练集和测试集（7：3）

二次划分：再从训练集中划分出验证集（8：2）

返回X_train、y_train；X_val、y_val；X_test、y_test；

3.特征缩放（标准化）

对X_train、X_val、X_test分别进行标准化处理，返回X_train_scaled、X_val_scaled、X_test_scaled。

具体过程：以X_train为例，X_train.shape为（112，150，7）

1.首先，先将三维的X_train通过reshape(-1,7)方法转换为2D数组。

(-1，7) 等价于（112*150，7）

2.使用fit_transform()方法计算均值和标准差，并转换数据。

fit_transform()方法  == 先使用fit()方法 + 再使用transform()方法

• fit()方法：计算均值和标准差，以便后续的缩放操作。它不会对数据进行转换，只是计算并存储这些参数。
• transform()方法：转换数据。

3.再通过reshape(X_train.shape)方法还原回来特征形状。

注意：在训练集上使用fit_transform()，在测试集和验证集上只使用transform()

4.创建 DataLoader批次加载器

接下来我们需要将(X_train_scaled, y_train)、(X_val_scaled, y_val)、(X_test_scaled, y_test)分别传入我们自定义的DataSe类，分别返回train_dataset、val_dataset、test_dataset；

再将train_dataset、val_dataset、test_dataset传入torch.utils.data.DataLoader类，分别返回train_loader、val_loader、test_loader。

为什么要这样做？这个知识点详细请跳转到下面这篇博客中的三、小批量梯度下降章节https://blog.csdn.net/m0_59777389/article/details/153636175?spm=1011.2124.3001.6209

在封装我们的数据集时，必须继承实用工具（utils）中的 DataSet 的类，这个过程需要重写__init__、__getitem__、__len__三个方法，分别是为了加载数据集、获取数据索引、获取数据总量。

5.构建模型（重点）

    """自定义LSTM分类模型

    参数:

    - input_dim: 输入特征的维度

    - hidden_dim: 隐藏层的维度

    - output_dim: 输出层的维度（通常为1，因为这是一个二分类问题）

    - n_layers: LSTM层的数量

    - dropout: Dropout层的dropout概率

    """

__init__()方法：主要是用于初始化模型参数的，并且搭建整个神经网络模型的。如下图所示：

这里的神经网络模型结构为：

->nn.LSTM（input_dim, hidden_dim, n_layers,batch_first=True, dropout=dropout) # 定义LSTM层

->nn.Dropout(dropout)   # 定义Dropout层（作用：防止过拟合）

->nn.Linear(hidden_dim, output_dim)  # 定义全连接层（将hidden_dim映射到output_dim）

->nn.Sigmoid()  # 定义Sigmoid激活函数（将输出映射到(0,1)区间）

forward()方法：用于前向传播过程中，具体的操作。

在上图中我们可以看到，

首先需要初始化隐藏状态h0和细胞状态c0（这里是用0填充的）并将h0和c0放到GPU上，h0 和 c0 的形状: (n_layers, batch_size, hidden_dim)；

然后将x, (h0, c0)输入到LSTM，返回lstm_out, (hn, cn)；（这个过程比较复杂，如果感兴趣请去看LSTM的原理，这里我们不赘述）

接着，我们需要通过lstm_out[:, -1, :]操作取每个序列的最后一个时间步的输出last_lstm_out；（-1表示序列的最后一个时间步的下标），通过这个操作相当于降维了：lstm_out(16,150,64) -> last_lstm_out(16,64)。

注意：取每个序列的最后一个时间步的输出last_lstm_out之后，要记得对last_lstm_out使用dropout，防止过拟合。

最后就是分别通过全连接层、再通过Sigmoid激活函数，此时返回形状为 (batch_size, 1)；

我在这里做了一个squeeze操作，移除了最后一个维度，形状变为 (batch_size,)。这是因为真实标签是一维数组，为了后面在做测试的时候，让模型输出的pred_y与真实标签y维度一致。（当然这里也可以直接返回通过Sigmoid激活函数之后的输出，不做squeeze操作，不过后面在做测试的时候需要把真实标签y的形状reshape成二维的列向量就行了）

想要深入了解LSTM模型构建的话请跳转：https://blog.csdn.net/m0_59777389/article/details/149350040?spm=1011.2124.3001.6209

6.训练模型

训练模型前，需要提前初始化模型、并指定损失函数和优化器。

并将模型移动到GPU上。

输出的模型结构如下图：

由上图可以看出，

1.训练与验证是在同一个epoch中进行的，顺序是先训练后验证。但是训练和验证又分别在各自的DataLoader中分批进行的。

2.训练过程需要进行前向传播求损失，又要反向传播更新梯度；但是验证过程仅仅只需要前向传播求损失。

3.以往的案例中我都是直接losses.append(loss.item())  将损失添加到列表中，为了后面打印损失变化曲线。在这里为啥要做累加每个批次的损失的操作？

train_loss += loss.item() * inputs.size(0)  # 累加每个批次的损失（乘以样本数）

这行代码没看懂，为什么要累加每个批次的损失（乘以样本数）？这样做的目的是啥？

答：

在PyTorch中，nn.BCELoss()默认返回的是批次内所有样本的平均损失；而我们通常计算一个epoch的平均损失时，是用该epoch的总损失除以样本总数。

但是，由于我们每个批次的样本数可能不同（最后一个批次可能小于batch_size），所以我们需要记录每个批次的损失乘以该批次的样本数，这样累加后得到的就是整个epoch的总损失。

然后，在计算平均损失时，我们用总损失除以总样本数（即len(train_loader.dataset)）。

train_loss += loss.item() * inputs.size(0)  # 累加每个批次的损失（乘以样本数）

• loss.item(): 获取当前批次的平均损失值

• inputs.size(0): 获取当前批次的样本数量

• loss.item() * inputs.size(0): 将平均损失转换为批次总损失

这样操作是为了：

1. 正确处理不同批次大小（特别是最后一个批次可能不满）

2. 准确计算整个数据集的平均损失

3. 确保损失统计的数学正确性

这是一种标准的PyTorch训练模式，确保损失计算的准确性！

7.测试模型

1.之前的案例中，我们在测试过程中，将概率转换为类别 (0或1)的时候，都是将二维数组先进行布尔判断，然后再赋值的方式将模型的输出结果转换成0或1的，如下：

但是，在这里有一个更加巧妙的方法：

直接通过float()方法可以将为True的位置直接转成1，为False的位置转成0；

2.all_preds.extend(preds.cpu().numpy())  # 转换为 numpy 数组并添加到列表中

这行代码我没看懂？请一步一步的拆解。

答：

我们一步步拆解这行代码：all_preds.extend(preds.cpu().numpy())

1. preds：这是一个PyTorch张量，包含了一个批次的预测结果（0或1）。

2. cpu()：将张量从当前设备（可能是GPU）移动到CPU。如果张量已经在CPU上，这个操作不会改变什么，但为了安全起见，我们通常这样做以确保张量在CPU上，因为numpy数组只能在CPU上处理。

3. numpy()：将PyTorch张量转换为NumPy数组。

4. preds.cpu().numpy()的结果是一个NumPy数组，其形状为(batch_size,)，因为每个样本有一个预测值。

5. all_preds 是一个Python列表，用于收集所有批次的预测结果。

6. .extend()：这是Python列表的一个方法，用于将可迭代对象（如数组）中的每个元素添加到列表的末尾。

所以，这行代码的意思是将当前批次的预测结果（一个NumPy数组）中的每个元素依次添加到all_preds列表中。

举例说明：
假设一个批次有3个样本，preds.cpu().numpy()得到数组：[0, 1, 0]
如果all_preds原来是[1, 0]，那么执行后all_preds变为[1, 0, 0, 1, 0]

extend()与append()的区别：

• append()方法是将整个对象作为单个元素添加到列表末尾。
  如果使用append，那么上述例子就会变成：all_preds.append([0,1,0]) -> [1, 0, [0, 1, 0]]，这显然不是我们想要的。

因此，当我们想要将一个可迭代对象中的每个元素单独添加到列表中时，使用extend；当我们想要将整个对象作为一个元素添加时，使用append。

在机器学习中，我们通常使用extend来收集所有批次的预测结果，以便最后形成一个一维的列表，包含所有样本的预测。

最后就是打印评价指标了：