一个最基本的RNN训练框架用于多元回归(基于pytorch)

原创

已于 2024-02-01 10:17:38 修改 · 2.4k 阅读

标签

#pytorch #深度学习

于 2021-04-09 21:27:16 首次发布

本文详细介绍了如何使用PyTorch搭建一个RNN的基本训练架构，包括数据读取、数据管道构建、RNN模型设计以及主函数的训练流程。通过一个RNN小实验，演示了处理CSV数据集的全过程，为读者提供了一个入门级的深度学习实践案例。

0. 摘要

本文主要描述如何搭建一个RNN的基本训练架构.主要从如何读取CSV文件中的数据,构建数据管道. 如何搭建模型,如何在主函数中开启训练.

未完，待更新

1. RNN的基础知识

一个最简单的RNN结构展开图, X(t)表示循环神经网络在时刻t的输入,H是循环神经网络的主体结构,循环的过程就是H被不断执行的过程.O(t)代表t时刻循环神经网路的输出.

简单描述一下具体的过程:

在t时刻,H会读取输入层的输入x(t),并输出一个值O(t),同时H的状态值会从当前步传递到下一步.

也就是讲:H的输入除了来自输入层的输入x(t),还依赖于上一时刻的H(t-1).

一般情况下,输入层的x为下图所示:

为了研究方便,下文的叙述令in_putsize = 1.下面使用

2. 一个RNN小实验

2.1 数据集准备

链接：https://pan.baidu.com/s/1HorFNE5mlDgAvFXU6_JXfQ
提取码：x521
train_data: 里面包含6列数据, 每一行作为一个训练输入, 其对应的输出在train_label所对应的行.

train_label: 里面包含1列数据

2.2 设计设计pytorch的数据管道

设计dataloader data_loader.py

import torch
import numpy as np

class ImageFolder(torch.utils.data.Dataset):

    def __init__(self, train_data):
        self.data_sorce = np.array(train_data.iloc[:, 0:6])
        self.data_lable = np.array(train_data.iloc[:, 6:7])

    def __getitem__(self, index): # index = 0
        id_data = list(self.data_sorce)[