本文将学习一下如何使用PyTorch创建一个前馈神经网络（或者叫做多层感知机，Multiple-Layer Perceptron，MLP），文中会使用PyTorch提供的自动求导功能，训练一个神经网络。
本文的数据集来自Kaggle竞赛：房价预测（https://www.kaggle.com/c/house-prices-advanced-regression-techniques/）。这份数据分为训练数据集和测试数据集。两个数据集都包括每栋房子的特征，如建造年份、地下室状况等特征值。这些特征中，有连续的数值型（Numerical）特征，有离散的分类（Categorical）特征。这些特征中，有些特征值是缺失值“na”。训练数据集包括了每栋房子的价格，也就是需要预测的目标值（Label）。我们应该用训练数据集训练一个模型，并对测试数据集进行预测，然后将结果提交到Kaggle。
首先，我们下载并加载数据集：
train_data_path ='./dataset/train.csv'train = pd.read_csv(train_data_path)num_of_train_data = train.shape[0]test_data_path ='./dataset/test.csv'test = pd.read_csv(test_data_path)训练数据集共1460个样本，81个维度，其中，Id是每个样本的唯一编号，SalePrice是房价，也是我们要拟合的目标值。其他维度（列）有数值类特征，也有非数值列，或者叫分类特征。
先查看训练数据集的维度：
train.shape输出为：
(1460, 81)或者通过train.describe()来查看整个数据集各个特征的一些统计情况。
接着，我们要把训练数据集和测试数据集合并。将训练数据集和测试数据集合并主要是为了统一特征处理的流程，或者说对训练数据集和测试数据集使用同样的方法，进行同样的特征工程处理。
# 房价，要拟合的目标值target = train.SalePrice# 输入特征，可以将SalePrice列扔掉train.drop(['SalePrice'],axis = 1 , inplace = True)# 将train和test合并到一起，一块进行特征工程，方便预测test的房价combined = train.append(test)combined.reset_index(inplace=True)combined.drop(['index', 'Id'], inplace=True, axis=1)接着就要开始进行特征工程了。本文没有进行任何复杂的特征工程，只做了两件事：1、过滤掉了含有缺失值的列；2、对分类特征进行了One-Hot编码。缺失值会在一定程度上影响算法的预测效果，一般可以使用一些默认值或者一些临近值来填充缺失值。对于MLP模型，分类特征必须经过编码，转换成数值才能进行模型训练，One-Hot编码是一种最常见的分类特征处理的方法。
我们用下面的函数过滤非空列：
# 选出非空列def get_cols_with_no_nans(df,col_type): ''' Arguments : df : The dataframe to process col_type : num : to only get numerical columns with no nans no_num : to only get nun-numerical columns with no nans all : to get any columns with no nans ''' if (col_type == 'num'): predictors = df.select_dtypes(exclude=['object']) elif (col_type == 'no_num'): predictors = df.select_dtypes(include=['object']) elif (col_type == 'all'): predictors = df else : print('Error : choose a type (num, no_num, all)') return 0 cols_with_no_nans = [] for col in predictors.columns: if not df[col].isnull().any(): cols_with_no_nans.append(col) return cols_with_no_nans分别对数值特征和分类特征进行处理：
num_cols = get_cols_with_no_nans(combined, 'num')cat_cols = get_cols_with_no_nans(combined, 'no_num')# 过滤掉含有缺失值的特征combined = combined[num_cols + cat_cols]print(num_cols[:5])print ('Number of numerical columns with no nan values: ',len(num_cols))print(cat_cols[:5])print ('Number of non-numerical columns with no nan values: ',len(cat_cols))经过过滤，数值特征共有25列，分类特征共有20列，共45列。
# 对分类特征进行One-Hot编码def oneHotEncode(df,colNames): for col in colNames: if( df[col].dtype == np.dtype('object')): # pandas.get_dummies 可以对分类特征进行One-Hot编码 dummies = pd.get_dummies(df[col],prefix=col) df = pd.concat([df,dummies],axis=1) # drop the encoded column df.drop([col],axis = 1 , inplace=True) return df对于分类特征，还需要进行One-Hot编码，pandas.get_dummies可以帮我们自动完成One-Hot编码过程。经过One-Hot编码后，数据增加了很多列，共有149列。
至此，我们完成了一次非常简单的特征工程，将这些数据转化为PyTorch模型所能接受的Tensor形式：
# 训练数据集特征train_features = torch.tensor(combined[:num_of_train_data].values, dtype=torch.float)# 训练数据集目标train_labels = torch.tensor(target.values, dtype=torch.float).view(-1, 1)# 测试数据集特征test_features = torch.tensor(combined[num_of_train_data:].values, dtype=torch.float)print('train data size: ', train_features.shape)print('label data size: ', train_labels.shape)print('test data size: ', test_features.shape)接着，我们开始构建神经网络。
在PyTorch中构建神经网络有两种方式。比较简单的前馈网络，可以使用nn.Sequential。nn.Sequential是一个存放神经网络的容器，直接在nn.Sequential里面添加我们需要的层即可。整个模型的输入为特征数，输出为一个标量。模型的隐藏层使用了ReLU激活函数，最后一层是一个线性层，得到的是一个预测的房价值。
model_sequential = nn.Sequential( nn.Linear(train_features.shape[1], 128), nn.ReLU(), nn.Linear(128, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, 1) )另一种构建神经网络的方式是继承nn.Module类，我们将子类起名为Net类。__init__()方法为Net类的构造函数，用来初始化神经网络各层的参数；forward()也是我们必须实现的方法，主要用来实现神经网络的前向传播过程。
class Net(nn.Module): def __init__(self, features): super(Net, self).__init__() self.linear_relu1 = nn.Linear(features, 128) self.linear_relu2 = nn.Linear(128, 256) self.linear_relu3 = nn.Linear(256, 256) self.linear_relu4 = nn.Linear(256, 256) self.linear5 = nn.Linear(256, 1) def forward(self, x): y_pred = self.linear_relu1(x) y_pred = nn.functional.relu(y_pred) y_pred = self.linear_relu2(y_pred) y_pred = nn.functional.relu(y_pred) y_pred = self.linear_relu3(y_pred) y_pred = nn.functional.relu(y_pred) y_pred = self.linear_relu4(y_pred) y_pred = nn.functional.relu(y_pred) y_pred = self.linear5(y_pred) return y_pred我们已经定义好了一个神经网络的Net类，还要初始化一个Net类的对象实例model，表示某个具体的模型。然后定义损失函数，这里使用MSELoss，MSELoss使用了均方误差（Mean Square Error）来衡量损失函数。对于模型model的训练过程，这里使用Adam算法。Adam是优化算法中的一种，在很多场景中效率要优于SGD。
model = Net(features=train_features.shape[1])# 使用均方误差作为损失函数criterion = nn.MSELoss(reduction='mean')optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)接着，我们使用Adam算法进行多轮的迭代，更新模型model中的参数。这里对模型进行500轮的迭代。
losses = []# 训练500轮for t in range(500): y_pred = model(train_features) loss = criterion(y_pred, train_labels) # print(t, loss.item()) losses.append(loss.item()) if torch.isnan(loss): break # 将模型中各参数的梯度清零。 # PyTorch的backward()方法计算梯度会默认将本次计算的梯度与缓存中已有的梯度加和。 # 必须在反向传播前先清零。 optimizer.zero_grad() # 反向传播，计算各参数对于损失loss的梯度 loss.backward() # 根据刚刚反向传播得到的梯度更新模型参数 optimizer.step()每次迭代使用训练数据集中的所有样本train_features。model(train_features)实际是执行的model.forward(train_features)，即forward()方法中定义的前向传播逻辑，输入数据在神经网络模型中前向传播，得到预测值y_pred。criterion(y_pred, train_labels)方法计算了预测值y_pred和目标值train_labels之间的损失。
每次迭代时，我们要先对模型中各参数的梯度清零：optimizer.zero_grad()。PyTorch中的backward()默认是把本次计算的梯度和缓存中已有的梯度加和，因此必须在反向传播前先将梯度清零。接着执行backward()方法，完成反向传播过程，PyTorch会帮我们计算各参数对于损失函数的梯度。optimizer.step()会根据刚刚反向传播得到的梯度，更新模型参数。
至此，一个简单的预测房价的模型就训练好了。
我们可以使用模型对测试数据集进行预测，将得到的预测值保存成文件，提交到Kaggle上。
predictions = model(test_features).detach().numpy()my_submission = pd.DataFrame({'Id':pd.read_csv('./dataset/test.csv').Id,'SalePrice': predictions[:, 0]})my_submission.to_csv('{}.csv'.format('./dataset/submission'), index=False)参考资料
联系客服
