Python训练打卡Day36

复习日：

回顾神经网络的相关信息

1. 梯度下降的思想

梯度下降的本质是一种迭代优化算法，用于寻找函数的极小值点（比如损失函数的最小值）其关键的要素如下

梯度：函数在某点变化率最大方向
学习率：每一步的“步长”，用以控制更新幅度
迭代更新：设参数为 $\theta$ ，损失函数为 $L(\theta)$ ,则更新公式为： $\theta_{t+1}=\theta-\eta \cdot \Delta{L(\theta_{t})}$ ,沿着梯度的反方向更新参数，是损失不断减少

2. 激活函数的作用

若神经网络仅由线性层组成，本质就是线性变换的叠加，只能你和线性关系，无法解决非线性问题（比如图像识别、自然语言处理），因此使用激活函数为神经网络引入非线性表达能力，能找你和更为复杂的数据分布。常见的激活函数有：ReLU、Sigmoid、Tanh等等。

3. 损失函数的作用

损失函数（Loss Function）是衡量模型预测值与真实值之间差异函数，用于量化模型的“错误程度”。常见的损失函数有

回归任务

均方误差、平均绝对误差

分类任务

交叉熵损失
稀疏交叉熵

4. 优化器

优化器是控制模型参数更新策略的组件，负责根据损失函数的梯度调整参数，以最小化损失。可以这样理解：梯度下降是“下山的方向”，优化器则是“调整步长和路线的策略”。

常见的优化器有SDG、Adam等等。

5. 神经网络的概念

神经网络是一种模仿生物神经元结构的计算模型，由多层神经元相互连接，用于自动提取数据特征并完成预测任务。

基本组成：

神经元（Neuron）：接受输入信号，进行线性变换和非线性激活，输出结果
层（Layer）：
- 输入层：接收原始数据（如图片像素值），不参与计算。
- 隐藏层：介于输入层和输出层之间，负责特征提取（层数和神经元数量决定模型复杂度）。
- 输出层：产生最终结果（如分类概率、回归值），激活函数根据任务选择（如分类用 Softmax，回归用线性激活）
连接权重（Weight）和偏置（Bias）：
- 权重：控制信号传递的 “强度”，通过训练学习得到
- 偏置：允许激活函数平移，增加模型灵活性

神经网络的工作流程：

前向传播（Forward Propagation）：输入数据经各层线性变换 + 激活函数，逐层传递至输出层，得到预测值。
损失计算：用损失函数衡量预测值与真实值的差异。
反向传播（Backpropagation）：从输出层向输入层反向传递梯度，利用链式法则计算各层参数的梯度，指导优化器更新参数。

典型的神经网络类型：全连接神经网络（Fully Connected NN）、卷积神经网络（CNN）、循环神经网络（RNN）、Transformer

针对之前的信贷项目，利用神经网络训练下，用到目前的知识点让代码更加规范和美观。

# 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 matplotlib.pyplot as plt    #用于绘制各种类型的图表
import seaborn as sns   #基于matplotlib的高级绘图库，能绘制更美观的统计图形。
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data = pd.read_csv('data.csv')    #读取数据#数据预处理# 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# 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。data.drop(columns=['Id'], inplace=True) # 删除 Loan ID 列# 分离特征数据和标签数据
X = data.drop(['Credit Default'], axis=1)  # 特征数据
y = data['Credit Default']  # 标签数据X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)  # 确保训练集和测试集是相同的缩放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)class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(30, 64)  # 增加第一层神经元数量self.relu = nn.ReLU()self.dropout = nn.Dropout(0.3)  # 添加Dropout防止过拟合self.fc2 = nn.Linear(64, 32)self.relu = nn.ReLU()self.fc3 = nn.Linear(32, 2)  # 减少隐藏层数，保持输出层不变def forward(self, x):out = self.fc1(x)out = self.relu(out)out = self.dropout(out)  # 应用Dropoutout = self.fc2(out)out = self.relu(out)out = self.fc3(out)return out# 实例化模型并移至GPU
model = MLP().to(device)# 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.Adam(model.parameters(), lr=0.001)# 训练模型
num_epochs = 20000  # 训练的轮数# 用于存储每200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(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')# 绘制损失曲线
plt.figure(figsize=(10, 6))
plt.plot(epochs, losses, 'r-', linewidth=2)
plt.title('Training Loss over Epochs')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.grid(True)
plt.show()# # 在测试集上评估模型
# model.eval()  # 设置模型为评估模式
# with torch.no_grad():  # 禁用梯度计算
#     outputs = model(X_test)  # 对测试数据进行前向传播
#     _, predicted = torch.max(outputs, 1)  # 获取预测结果#     correct = (predicted == y_test).sum().item()  # 计算预测正确的样本数
#     accuracy = correct / y_test.size(0)
#     print(f'测试集准确率: {accuracy * 100:.2f}%')

尝试进入nn.Module中，查看他的方法：

可以查看官方文档module

或者使用 Python 内置函数：

import torch.nn as nn# 查看nn.Module的所有属性和方法
print(dir(nn.Module))# 获取某个方法的详细帮助信息
# 例如查看forward方法
help(nn.Module.forward)

创建自己的神经网络模块时，需要继承nn.Module类，并且可以重写或使用其中的方法。

import torch
import torch.nn as nnclass MyNetwork(nn.Module):def __init__(self):super().__init__()# 定义网络层self.fc1 = nn.Linear(10, 20)self.fc2 = nn.Linear(20, 1)def forward(self, x):# 定义前向传播过程x = torch.relu(self.fc1(x))x = self.fc2(x)return x# 创建模型实例
model = MyNetwork()# 使用nn.Module的方法
print(model.parameters())  # 返回模型参数的迭代器
print(model.state_dict())  # 返回模型的状态字典

在这个例子中，MyNetwork类继承了nn.Module，并且可以使用nn.Module的所有方法，像parameters()、state_dict()等。

@浙大疏锦行