前言
大家好，我是阿光。
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
正在更新中~ ✨
🚨 我的项目环境：
- 平台：Windows10
- 语言环境：python3.7
- 编译器：PyCharm
- PyTorch版本：1.8.1
💥 项目专栏：【PyTorch深度学习项目实战100例】
一、GRU进行天气变化的时间序列预测
由于大气运动极为复杂,影响天气的因素较多，而人们认识大气本身运动的能力极为有限,因此天气预报水平较低.预报员在预报实践中,每次预报的过程都极为复杂,需要综合分析,并预报各气象要素,比如温度、降水等.现阶段,以往极少出现的极端天气现象越来越多,这极大地增加了预报的难度。
本项目使用循环神经网络GRU训练一个网络模型，来预测在给定天气因素下，城市的温度变化。
image
二、数据集介绍
一个天气时间序列数据集，它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气象站记录。在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中包含2009-2016多年的记录。
数据集下载地址
在这里插入图片描述
三、定义网络结构
GRU（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。
在这里插入图片描述
- 更新门：定义了前面记忆保存到当前时间步的量。如果我们将重置门设置为 1，更新门设置为 0
- 重置门：本质上来说，重置门主要决定了到底有多少过去的信息需要遗忘
# 7.定义LSTM网络
class GRU(nn.Module):
def __init__(self, input_dim, hidden_dim, num_layers, output_dim):
super(GRU, self).__init__()
self.hidden_dim = hidden_dim # 隐层大小
self.num_layers = num_layers # LSTM层数
# input_dim为特征维度，就是每个时间点对应的特征数量，这里为14
self.gru = nn.GRU(input_dim, hidden_dim, num_layers, batch_first=True)
self.fc = nn.Linear(hidden_dim, output_dim)
四、训练网络
在这里插入图片描述
model = GRU(input_dim, hidden_dim, num_layers, output_dim) # 定义LSTM网络
loss_function = nn.MSELoss() # 定义损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 定义优化器
# 8.模型训练
for epoch in range(epochs):
model.train()
running_loss = 0
train_bar = tqdm(train_loader) # 形成进度条
for data in train_bar:
x_train, y_train = data # 解包迭代器中的X和Y
optimizer.zero_grad()
y_train_pred = model(x_train)
loss = loss_function(y_train_pred, y_train.reshape(-1, 1))
loss.backward()
optimizer.step()
running_loss += loss.item()
train_bar.desc = "train epoch[{}/{}] loss:{:.3f}".format(epoch + 1,
epochs,
loss)
# 模型验证
model.eval()
test_loss = 0
with torch.no_grad():
test_bar = tqdm(test_loader)
for data in test_bar:
x_test, y_test = data
y_test_pred = model(x_test)
test_loss = loss_function(y_test_pred, y_test.reshape(-1, 1))
if test_loss < best_loss:
best_loss = test_loss
torch.save(model.state_dict(), save_path)
print('Finished Training')
完整源码
【PyTorch深度学习项目实战100例】—— 使用GRU进行天气变化的时间序列预测 | 第11例_咕 嘟的博客-CSDN博客_gru预测
