PyTorch入门实践：COVID-19 病例预测 (回归)

[TOC]

更多Pytorch内容欢迎查看快速入门Pytorch-CSDN博客

任务描述

根据美国特定州过去5天的调查结果，预测第5天新检测阳性病例的百分比。

数据简介：

  • 在这种情况下，数据包含在.csv文件中
  • 每行代表一个数据样本，包含118个特征(id + 37个州+ 16个特征 * 5天)
  • 一行的最后一个元素是它的标签

image-20240902155912289

image-20240902155930495

功能函数

导入需要的Python包

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 数值、矩阵操作
import math
import numpy as np

# 数据读取与写入
import pandas as pd
import os
import csv

# 进度条
# from tqdm import tqdm
# 如果是使用notebook 推荐使用以下（颜值更高 : ) ）
from tqdm.notebook import tqdm

# Pytorch 深度学习张量操作框架
import torch 
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader, random_split
# 绘制pytorch的网络
from torchviz import make_dot

# 学习曲线绘制
from torch.utils.tensorboard import SummaryWriter

一些重要的方法（随机种子设置、数据拆分、模型预测） 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
# 定义一个函数来设置随机种子，以确保实验的可复现性
def same_seed(seed): 
    """
    设置随机种子(便于复现)
    """
    # 设置CUDA的确定性，确保每次运行的结果是确定的
    torch.backends.cudnn.deterministic = True
    # 关闭CUDA的benchmark模式，因为这与确定性运行模式冲突
    torch.backends.cudnn.benchmark = False
    # 设置NumPy的随机种子
    np.random.seed(seed)
    # 设置PyTorch的随机种子
    torch.manual_seed(seed)
    # 如果CUDA可用，则为GPU设置随机种子
    if torch.cuda.is_available():
        torch.cuda.manual_seed_all(seed)
    # 打印设置的种子值
    print(f'Set Seed = {seed}')

# 定义一个函数来将数据集随机拆分为训练集和验证集
def train_valid_split(data_set, valid_ratio, seed):
    """
    数据集拆分成训练集（training set）和 验证集（validation set）
    """
    # 计算验证集的大小
    valid_set_size = int(valid_ratio * len(data_set)) 
    # 训练集的大小是数据集总大小减去验证集大小
    train_set_size = len(data_set) - valid_set_size
    # 使用PyTorch的random_split函数来拆分数据集，传入随机种子以确保可复现性
    train_set, valid_set = random_split(data_set, [train_set_size, valid_set_size], generator=torch.Generator().manual_seed(seed))
    # 将拆分得到的数据集转换为NumPy数组格式并返回
    return np.array(train_set), np.array(valid_set)

# 定义一个函数来进行模型的预测
def predict(test_loader, model, device):
    # 将模型设置为评估模式
    model.eval() 
    # 初始化一个列表来存储预测结果
    preds = []
    # 遍历测试数据集
    for x in tqdm(test_loader):
        # 将数据移动到指定的设备上（CPU或GPU）
        x = x.to(device)                        
        # 使用with torch.no_grad()来禁止计算梯度，因为在预测模式下不需要计算梯度
        with torch.no_grad():
            # 进行前向传播以获得预测结果
            pred = model(x)         
            # 将预测结果从GPU移回CPU，并将其从计算图中分离出来
            preds.append(pred.detach().cpu())   
    # 将所有批次的预测结果拼接成一个NumPy数组，并返回
    preds = torch.cat(preds, dim=0).numpy()  
    return preds

数据加载

自定义数据集加载类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# 定义一个COVID19数据集类，继承自PyTorch的Dataset类
class COVID19Dataset(Dataset):
    """
    x: np.ndarray  特征矩阵.
    y: np.ndarray  目标标签, 如果为None,则是预测的数据集
    """
    def __init__(self, x, y=None):
        # 如果y不是None，则将y转换为PyTorch的FloatTensor类型，否则y保持为None
        if y is None:
            self.y = y
        else:
            self.y = torch.FloatTensor(y)
        # 将x转换为PyTorch的FloatTensor类型
        self.x = torch.FloatTensor(x)

    def __getitem__(self, idx):
        # 根据索引idx获取数据项
        # 如果y是None，表示这是一个预测数据集，只返回x
        if self.y is None:
            return self.x[idx]
        # 否则，返回一个包含x和y的元组
        return self.x[idx], self.y[idx]

    def __len__(self):
        # 返回数据集中x的数量，即数据集的大小
        return len(self.x)

特征选择

观察数据，选择更有效的数据

1
2
df = pd.read_csv('./covid.train.csv')
df.describe()

image-20240902164056398

利用Pearson相关系数分析不同feature与label的相关性强弱。

1
df.corr()['tested_positive'].sort_values(ascending=False)

image-20240902164159811

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
# 定义一个函数来选择特征，用于拟合回归模型
def select_feat(train_data, valid_data, test_data, select_all=True):
    """
    特征选择
    选择较好的特征用来拟合回归模型
    """
    # 从训练数据中分离出目标变量y
    y_train, y_valid = train_data[:, -1], valid_data[:, -1]
    '''
    [:, -1]：这是一个NumPy的切片操作，用于选择数组中的特定行和列。
    :表示选择所有行，即选择整个数据集。
    -1表示选择最后一列。在Python中，使用负数索引可以从数组的末尾开始计数，-1就是数组中的最后一个元素，对于二维数组来说，就是最后一列。
    '''
    # 从训练数据、验证数据和测试数据中分离出特征矩阵x
    raw_x_train, raw_x_valid, raw_x_test = train_data[:, :-1], valid_data[:, :-1], test_data
    '''
    [:, :-1]：这是一个NumPy的切片操作，用于选择数组中的特定行和列。
    :表示选择所有行，即选择整个数据集。
    :-1表示选择从第一列开始直到倒数第二列的所有列。在Python中，使用负数索引可以从数组的末尾开始计数，-1就是数组中的最后一个元素之前的所有元素，对于二维数组来说，就是除了最后一列之外的所有列。
    '''

    # 如果select_all为True，则选择所有特征
    if select_all:
        feat_idx = list(range(raw_x_train.shape[1]))
    else:
        # 否则，根据某些标准（需要自行调研特征选择方法）选择特征
        # 根据Pearson系数降序排列的结果，我们重新选择特征。
        # 去掉第一列 id 列
        feat_idx = list(range(1, 38)) + [53, 69, 85, 101] 

    # 返回选定的特征矩阵和目标变量
    return raw_x_train[:, feat_idx], raw_x_valid[:, feat_idx], raw_x_test[:, feat_idx], y_train, y_valid

数据读取

  1. 从文件中读取数据pd.read_csv
  2. 数据拆分成三份 训练（training）、验证（validation）、测试（testing）
    • train_valid_split： 分成训练、验证
    • select_feat：拆分特征和label，并进行特征选择
    • COVID19Dataset: 分别将训练、验证、测试集的特征和label组合成可以用于快速迭代训练的数据集train_dataset, valid_dataset, test_dataset
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
# 设置随机种子便于复现
same_seed(config['seed'])

# 训练集大小(train_data size) : 2699 x 118 (id + 37 states + 16 features x 5 days) 
# 测试集大小(test_data size）: 1078 x 117 (没有label (last day's positive rate))
pd.set_option('display.max_column', 200) # 设置显示数据的列数
train_df, test_df = pd.read_csv('./covid.train.csv'), pd.read_csv('./covid.test.csv')
display(train_df.head(3)) # 显示前三行的样本
train_data, test_data = train_df.values, test_df.values
del train_df, test_df # 删除数据减少内存占用
train_data, valid_data = train_valid_split(train_data, config['valid_ratio'], config['seed'])

# 打印数据的大小
print(f"""train_data size: {train_data.shape} 
valid_data size: {valid_data.shape} 
test_data size: {test_data.shape}""")

# 特征选择
x_train, x_valid, x_test, y_train, y_valid = select_feat(train_data, valid_data, test_data, config['select_all'])

# 打印出特征数量
print(f'number of features: {x_train.shape[1]}')

train_dataset, valid_dataset, test_dataset = COVID19Dataset(x_train, y_train), \
                                             COVID19Dataset(x_valid, y_valid), \
                                             COVID19Dataset(x_test)

# 使用Pytorch中Dataloader类按照Batch将数据集加载
train_loader = DataLoader(train_dataset, batch_size=config['batch_size'], shuffle=True, pin_memory=True)
valid_loader = DataLoader(valid_dataset, batch_size=config['batch_size'], shuffle=True, pin_memory=True)
test_loader = DataLoader(test_dataset, batch_size=config['batch_size'], shuffle=False, pin_memory=True)

参数设置

超参设置：config 包含所有训练需要的超参数（便于后续的调参），以及模型需要存储的位置

1
2
3
4
5
6
7
8
9
10
11
device = 'cuda' if torch.cuda.is_available() else 'cpu'
config = {
    'seed': 5201314,       # 随机种子，可以自己填写. :)
    'select_all': False,   # 是否选择全部的特征
    'valid_ratio': 0.2,    # 验证集大小(validation_size) = 训练集大小(train_size) * 验证数据占比(valid_ratio)
    'n_epochs': 3000,       # 数据遍历训练次数           
    'batch_size': 256, 
    'learning_rate': 1e-5,              
    'early_stop': 400,     # 如果early_stop轮损失没有下降就停止训练.     
    'save_path': './models/model.ckpt'  # 模型存储的位置
}

模型训练

定义神经网络模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# 定义一个自定义的模型类My_Model，继承自nn.Module
class My_Model(nn.Module):
    def __init__(self, input_dim):
        super(My_Model, self).__init__()
        # 定义模型的结构为一个顺序模型（Sequential），包含线性层（Linear）和激活函数（ReLU）
        self.layers = nn.Sequential(
            # 第一层线性层，输入维度为input_dim，输出维度为16
            nn.Linear(input_dim, 16),
            # ReLU激活函数
            nn.ReLU(),
            # 第二层线性层，输入维度为16，输出维度为8
            nn.Linear(16, 8),
            # ReLU激活函数
            nn.ReLU(),
            # 第三层线性层，输入维度为8，输出维度为1
            nn.Linear(8, 1)
        )

    def forward(self, x):
        # 在前向传播中，输入x通过定义的层（layers）
        x = self.layers(x)
        # 使用squeeze函数移除输出张量的一个维度，使其从形状(B, 1)变为(B)
        x = x.squeeze(1) 
        # 返回模型的输出
        return x

训练模型

训练迭代＋验证迭代

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
def trainer(train_loader, valid_loader, model, config, device):

    criterion = nn.MSELoss(reduction='mean') # 损失函数的定义

    # 定义优化器
    # TODO: 可以查看学习更多的优化器 https://pytorch.org/docs/stable/optim.html 
    # TODO: L2 正则( 可以使用optimizer(weight decay...) )或者 自己实现L2正则.
    optimizer = torch.optim.SGD(model.parameters(), lr=config['learning_rate'], momentum=0.9) 
    
    # tensorboard 的记录器
    writer = SummaryWriter()

    if not os.path.isdir('./models'):
        # 创建文件夹-用于存储模型
        os.mkdir('./models')

    n_epochs, best_loss, step, early_stop_count = config['n_epochs'], math.inf, 0, 0

    for epoch in range(n_epochs):
        model.train() # 训练模式
        loss_record = []

        # tqdm可以帮助我们显示训练的进度  
        train_pbar = tqdm(train_loader, position=0, leave=True)
        # 设置进度条的左边 ： 显示第几个Epoch了
        train_pbar.set_description(f'Epoch [{epoch+1}/{n_epochs}]')
        for x, y in train_pbar:
            optimizer.zero_grad()               # 将梯度置0.
            x, y = x.to(device), y.to(device)   # 将数据一到相应的存储位置(CPU/GPU)
            pred = model(x)                     # 前向传播          
            loss = criterion(pred, y)           # 计算损失
            loss.backward()                     # 反向传播 计算梯度.
            optimizer.step()                    # 更新网络参数
            step += 1
            loss_record.append(loss.detach().item())
            
            # 训练完一个batch的数据，将loss 显示在进度条的右边
            train_pbar.set_postfix({'loss': loss.detach().item()})

        mean_train_loss = sum(loss_record)/len(loss_record)
        # 每个epoch,在tensorboard 中记录训练的损失（后面可以展示出来）
        writer.add_scalar('Loss/train', mean_train_loss, step)

        model.eval() # 将模型设置成 evaluation 模式.
        loss_record = []
        for x, y in valid_loader:
            x, y = x.to(device), y.to(device)
            with torch.no_grad():
                pred = model(x)
                loss = criterion(pred, y)

            loss_record.append(loss.item())
            
        mean_valid_loss = sum(loss_record)/len(loss_record)
        print(f'Epoch [{epoch+1}/{n_epochs}]: Train loss: {mean_train_loss:.4f}, Valid loss: {mean_valid_loss:.4f}')
        # 每个epoch,在tensorboard 中记录验证的损失（后面可以展示出来）
        writer.add_scalar('Loss/valid', mean_valid_loss, step)
        
        # 如果当前验证损失优于最佳损失，则保存模型
        if mean_valid_loss < best_loss:
            best_loss = mean_valid_loss
            torch.save(model.state_dict(), config['save_path']) # 模型保存
            print('Saving model with loss {:.3f}...'.format(best_loss))
            early_stop_count = 0
        else: 
            early_stop_count += 1
            
        # 如果连续多次验证损失没有改善，则停止训练
        if early_stop_count >= config['early_stop']:
            print('\nModel is not improving, so we halt the training session.')
            return

开始训练

1
2
model = My_Model(input_dim=x_train.shape[1]).to(device) # 将模型和训练数据放在相同的存储位置(CPU/GPU)
trainer(train_loader, valid_loader, model, config, device)

使用 tensorboard 输出模型训练过程和指标可视化(可选)

tensorboard 可视化工具：可以记录并展现模型的训练过程中的各种指标，这里我们是记录模型的损失

1
2
%reload_ext tensorboard
%tensorboard --logdir=./runs/ --port=6007

image-20240902161850507

模型加载并预测

测试集的预测结果保存到pred.csv.

1
2
3
4
5
6
7
8
9
10
11
12
def save_pred(preds, file):
    """ 将模型保存到指定位置 """
    with open(file, 'w', newline='') as fp:     # 添加 newline='' 防止在Windows上出现额外的空行
        writer = csv.writer(fp)
        writer.writerow(['id', 'tested_positive'])
        for i, p in enumerate(preds):
            writer.writerow([i, p])

model = My_Model(input_dim=x_train.shape[1]).to(device)
model.load_state_dict(torch.load(config['save_path']))
preds = predict(test_loader, model, device) 
save_pred(preds, 'pred.csv')

参考

完整代码见：Hongyi_Lee_dl_homeworks/HW1_Regression at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)

参考文章：

【李宏毅《机器学习》2022】作业1：COVID 19 Cases Prediction (Regression)_李宏毅2022作业-CSDN博客

Hongyi_Lee_dl_homeworks/Warmup/Pytorch_Tutorial_2.pdf at master · huaiyuechusan/Hongyi_Lee_dl_homeworks (github.com)