Python中文
首页
教程
问答
标签
搜索
登录
注册
Pytork问题,包括丢失和纪元数
回答此问题可获得
20
贡献值,回答如果被采纳可获得
50
分。
<p>我正在通过调整<a href="https://github.com/curiousily/Getting-Things-Done-with-Pytorch/blob/master/04.first-neural-network.ipynb" rel="nofollow noreferrer">curiosily's tutorial</a>中所示的代码来构建一个神经网络。我没有使用天气数据,而是输入我自己的数据(全是数字)来解决时间序列回归问题。在“查找良好参数”部分下,他们计算损耗(计算值与实际输出值之间的差值)</p> <p>使用我的数据(并使用不同的优化器、节点数、层数等),<code>Train set - loss</code>和<code>Test set - loss</code>值可以随着编号的年代而减少,然后<code>loss</code>值再次增加。<code>accuracy</code>总是<code>0.0</code>。我想了解为什么会发生这种情况,理想的<code>loss</code>值是多少(零?),以及如何调整模型参数以避免此问题</p> <p>我在教程中基本上使用了相同的代码,使用了不同的神经网络:</p> <pre><code>class Net(nn.Module): def __init__(self, n_features): super(Net, self).__init__() # n_features = no. inputs n1 = 8 # no. nodes in layer 1 n2 = 5 n3 = 4 n4 = 5 n5 = 2 self.fc1 = nn.Linear(n_features,n1) self.fc2 = nn.Linear(n1,n2) self.fc3 = nn.Linear(n2,n3) self.fc4 = nn.Linear(n3,n4) self.fc5 = nn.Linear(n4,n5) self.fc6 = nn.Linear(n5,1) def forward(self, x): #x = F.relu(self.fc1(x)) x = torch.tanh(self.fc1(x)) # activation function in layer 1 x = torch.sigmoid(self.fc2(x)) x = torch.sigmoid(self.fc3(x)) x = torch.sigmoid(self.fc4(x)) x = torch.tanh(self.fc5(x)) return torch.sigmoid(self.fc6(x)) </code></pre> <p>对于培训/测试数据</p> <pre><code>print(X_train.shape, y_train.shape) print(X_test.shape, y_test.shape) </code></pre> <p>给予</p> <pre><code>torch.Size([20, 8]) torch.Size([20]) torch.Size([6, 8]) torch.Size([6]) </code></pre> <p>以下是我的一些数据:</p> <pre><code> Price f1 f2 f3 f4 \ Date 2015-03-02 90.196107 1803.892 113.146970 12.643646 2125.656231 2015-03-09 64.135647 1800.734 107.968714 5.875968 2121.790735 2015-03-16 79.552756 1704.983 110.304459 12.003638 2009.193045 2015-03-23 82.191813 1607.716 107.720195 6.442494 2020.463010 2015-03-30 69.386627 1522.380 108.315439 13.252422 1979.088367 2016-03-07 66.651752 2084.698 113.987594 15.707330 2101.044023 2016-03-14 65.263433 2089.886 110.828986 10.185968 2126.727206 2016-03-21 67.420919 2152.666 111.177730 8.500986 2167.854746 2016-03-28 41.540860 2280.450 95.394193 11.750658 2103.708359 2017-03-06 45.244413 2383.778 110.464190 21.425014 2053.123167 2017-03-13 54.460675 2289.858 109.539569 10.345976 1982.583561 2017-03-20 41.063493 2185.491 106.347338 25.485176 1946.495832 2017-03-27 49.431981 2087.931 110.003395 10.732664 2032.264678 2018-03-05 73.660636 2204.947 108.703186 5.965236 2017.757273 2018-03-12 65.089474 2244.313 105.978320 11.164498 2102.231834 2018-03-19 61.284307 2240.600 106.864093 8.307786 2130.436459 2018-03-26 57.872814 2256.034 107.546072 16.750366 2153.384082 2019-03-04 173.318212 1826.327 113.837832 16.328690 2130.480772 2019-03-11 199.718808 1789.397 110.402293 6.385144 2038.025531 2019-03-18 206.258064 1809.019 109.644544 4.469384 1957.963904 2019-03-25 186.447336 1779.967 111.211074 17.378698 1948.683384 2020-03-02 63.820617 2586.044 113.275140 8.278228 2108.441593 2020-03-09 52.762931 2513.891 111.669942 12.933696 2087.767817 2020-03-16 72.150978 2467.322 109.775070 15.961352 2058.925025 2020-03-23 75.902965 2394.069 111.015771 18.886624 2023.038540 2020-03-30 51.715278 2298.855 95.129930 10.840378 2122.552675 f5 f6 year week Date 2015-03-02 321349.480 232757.674 2015 10 2015-03-09 319000.479 221875.266 2015 11 2015-03-16 329682.915 226521.004 2015 12 2015-03-23 323335.102 221358.104 2015 13 2015-03-30 335423.556 222942.088 2015 14 2016-03-07 324917.837 235534.038 2016 10 2016-03-14 318739.973 229351.230 2016 11 2016-03-21 311516.881 231233.470 2016 12 2016-03-28 317998.580 198436.598 2016 13 2017-03-06 333304.312 227996.148 2017 10 2017-03-13 319538.063 225794.464 2017 11 2017-03-20 343361.214 219506.514 2017 12 2017-03-27 326703.683 227488.980 2017 13 2018-03-05 306569.458 225853.320 2018 10 2018-03-12 309483.605 219876.156 2018 11 2018-03-19 316931.421 221450.730 2018 12 2018-03-26 322248.386 224380.222 2018 13 2019-03-04 340449.937 235389.124 2019 10 2019-03-11 323107.510 227822.394 2019 11 2019-03-18 322681.705 226564.046 2019 12 2019-03-25 342102.164 229219.588 2019 13 2020-03-02 343116.127 234588.908 2020 10 2020-03-09 345827.356 230804.352 2020 11 2020-03-16 341559.653 226640.770 2020 12 2020-03-23 344563.904 229330.532 2020 13 2020-03-30 327042.742 196731.040 2020 14 </code></pre> <p>我将数据拆分为培训/测试集:</p> <pre><code># inputs cols0 = [i for i in cols if i != 'Price'] X = mydata[cols0] # output y = mydata[['Price']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=RANDOM_SEED) </code></pre>
0 条评论
分类:
Python问答
请先
登录
后评论
默认排序
时间排序
1 个回答
匿名
1天前
擅长:python、mysql、java
<p>最初的文章处理的是一个二进制分类问题,其中精度度量是有意义的(注意,预测的浮点首先转换为布尔张量:<code>predicted = y_pred.ge(.5).view(-1)</code>)</p> <p>另一方面,你的问题表明你正在处理一个回归问题,在这种情况下,准确度是没有意义的。准确预测浮点值几乎是不可能的</p>
请先
登录
后评论
针对此问题:
更多的回答
关注
89
关注
收藏
1
收藏,
216
浏览
网友 提问于 2天前
相关Python问题
使用Python创建一个非常大的二进制频率矩阵来运行协作过滤
4 回答
使用Python创建一张HTML网页,其中在不同颜色中重复n遍显示“Hello World”的方法
7 回答
使用Python创建一组唯一的值length L
3 回答
使用python创建不同表格的透视表
1 回答
使用python创建不和谐频道
1 回答
使用python创建不存在的多个文件夹
3 回答
使用python创建串行远程文件
2 回答
使用python创建交互式仪表板时出现问题
6 回答
使用python创建交互式绘图
5 回答
使用python创建交互式自动电子邮件
2 回答
使用Python创建价格列表
5 回答
使用python创建修改的txt文件
6 回答
使用Python创建全局变量,初始化后更改值
9 回答
使用Python创建关键字搜索词数组
8 回答
使用Python创建具有不均匀块大小/堆叠条形图的热图
3 回答
使用Python创建具有依赖于另一列的值的列
4 回答
使用Python创建具有多列的HTML表
7 回答
使用Python创建具有时间范围数据的等距数据帧
7 回答
使用Python创建具有特定顺序或属性的XML文件
1 回答
使用Python创建具有级联功能的搜索栏
9 回答