[人工智能]文献阅读—动手学深度学习实践

摘要

文献阅读

一. A deep learning algorithm for multi-source data fusion to predict water quality of urban sewer networks

（多源数据融合预测城市污水管网水质的深度学习算法）

作者：Yiqi Jiang, Chaolin Li,, Lu Sun, Dong Guo, Yituo Zhang, Wenhui Wang
单位：中国深圳哈尔滨工业大学土木与环境工程学院
中国哈尔滨工业大学城市水资源与环境国家重点实验室

本文摘要

城市排水管网点源污染是一个难以监测和控制的难题。为了解决这一问题，在下水道水质评价和预测中必须跟踪关键水质指标。然而，其中一些重要的化学指标（如生物需氧量（BOD5）、化学需氧量（COD）、氨氮（NH4-N）、总氮（TN）和总磷（TP））需要大量的时间和精力进行测量，这将对污水管网中的预测产生不利影响。现有的统计方法和机器学习算法不能有效地解决检测时间问题或提供有限的精度。此外，这些方法中缺乏考虑的各种因素导致预测性能不令人满意。很少有研究考虑城市多源数据对下水道网络水质预测的影响，同时发展统计方法或机器学习算法。为了解决这个问题，我们提出了一种基于多源数据融合的深度学习方法。该方法综合考虑以下指标对排水水质进行分析和预测：环境指标（如面积和直径）；社会指标（如人口）；水量指标（如饮用水供应、污水流量、水流速度和液位）；以及易于监控的水质标准指标（如pH值、温度和电导率）。为了验证这种方法的有效性，我们在中国南方的一个城市进行了一个案例研究。通过与线性方法（多元线性回归，MLR）和传统学习算法（多层感知，MLP）的比较，发现包含递归神经网络（RNN）、长短时记忆（LSTM）和选通递归单元（GRU）的深度学习算法具有良好的预测性能，其中GRU对水质化学指标的预测能力较强，学习曲线较快。结果表明，GRU 的 R2 比 RNN 和 LSTM 高 0.82%–5.07%，R2 比传统机器学习算法高 9.13%–15.03%，R2 比线性方法高 37.26%–43.38%。

问题引入

1. 污水管网水质的评估和预测必须跟踪关键水质指标，如pH值、电导率、温度、生物需氧量（BOD5）、化学需氧量（COD）、铵离子氮（NH4-N）、总氮（TN）、总磷（TP）等。其中一些指标，如pH值和电导率，可以通过在线监测设备实时检测。然而，收集和测量排水网络的一些关键水质指标，如BOD5、COD、NH4-N、TN和TP，需要大量的时间和精力。采样和测试相关的时间需求对于污水管网的水质预测和管理是不利的。
2. 深度学习在水文学领域有很多应用，但在城市排水管网水质预测中的应用非常有限。此外，考虑到许多可能影响城市污水管网水质的因素，如人口、排水管网服务区面积、居民生活习惯、管径大小和城市饮用水供应，预测复杂城市排水管网的水质是一项非常具有挑战性的任务。
3. 提出了一种基于多源数据融合的深度学习算法对城市污水管网水质进行预测。
   本研究的目的：
   1.城市多源数据与城市排水管网水质指数数据之间存在着重要的映射关系。
   2.与线性方法和传统的机器学习算法相比，基于深度学习的方法为城市排水管网提供了更准确的水质预测结果。

模型设计

很常见的研究框架：

首先，收集多源数据。然后进行数据预处理，主要用于将原始数据转换为可计算格式。数据处理后，数据集按4:1的比例分为训练集和测试集。根据输入和输出，线性方法（多元线性回归，MLR）、传统机器学习模型（多层感知器，MLP）和三种深度学习模型，包括递归神经网络（RNN）、长短时记忆（LSTM）和选通递归单元（GRU），用于预测下水道管网的水质。同时，对模型的性能进行了评价。

模型评估

本研究采用两个评估标准：相对均方根误差（RMSE）与拟合系数（R^2）。

实验数据

1.连续35天的水质数据，共有6个水质监测站点，在一个城区里，一天分五个时间段测量。

2.数据集包括 环境指标：土地面积（LA）、排水管直径（D），社会指标（人口）、水量指标4个（饮用水供应（DWS）、污水流量、流速（V）和液位）和水质指标9个（pH、温度（T）、电导率、悬浮固体（SS）、BOD5、COD、NH4-N、TN和TP）。我们调查和收集了监测点的环境和社会指标，并对污水管网的水质和水量数据进行了采样和测量，共有16个指标。

3. 将前28天当成训练数据集，后7天分成测试数据集。

在五种不同类型的模型（MLR、MLP、RNN、LSTM和GRU）。

输入：11个易于测量和获取的指标，如LA、D、人口、DWS、流量、V、液位、pH、T、电导率和SS，；
输出：5个指标，如BOD5、COD、NH4-N、TN和TP。

其中n 是指标数，m是每个指标的属性。

将提出的四种机器学习模型（MLP、RNN、LSTM、GRU）可以同时预测多个指标，即11个输入变量可以同时实现5个变量的输出。 这些模型会受到不同输入变量的各种范围的影响。 因此，MLP模型的输入变量矩阵Xi（等式（6））和RNN模型的输入变量矩阵Xt（等式（8）、（10）和（15））都设为[v’ 1, v’2, …, v’11] ∈V’n×m，输出矩阵均设为[v’12, v’13, v’14, v’15, v’16] ∈V 'n×m。

创新点

1. 深度学习在水文学邻域应用非常广泛，但在城市管网污水预测方面却应用受限。所以本研究 旨在发现 多源数据与城市排水管网水质指数数据之间存在着重要的映射关系。
2. 多源数据是指环境指标，社会指标，水量指标，最后是水质指标。
3. 将非常容易在线测得的前11个指标的数值，作为输入数据值；而不容易测试的后五个BOD5、COD、NH4-N、TN和TP值，作为输出值。该预测方法能够通过易于获取和测量的指标，高效、快速地预测水质。它可以解决与样品采集和化学分析相关的处理时间长和成本高的问题。
4. 将MLR与MLP，RNN，LSTM，GRU分别训练模型，分别进行评估对比，得出GRU的性能是最好的。
5. 实验数据拥有较为广泛的数据集，并采用了不同模型对比，使本研究具有一定的可靠性。

思考点

1. 深度学习模型的水质预测性能可能不仅取决于模型本身和数据集的数量，还取决于从用于训练学习模型的数据集中选择的输入指标。但在本研究中没有体现，需要探索每个输入指标对模型预测的贡献值（注意力机制），这样做可能会降低预测成本。
2. 在城市河流水域中，做水质预测指标时，我们可不可以将社会环境，社会指标，水量指标，等相关因素，加入训练样本中，以扩大训练样本特征，提高预测的精准度。
3. 本研究只是利用最原始基本的深度学习模型，我们可以进一步改进优化这些模型，看看效果是不是会更好。

二. 动手学深度学习实践–机器翻译

2.1 机器翻译数据集

## 导入
import os
import torch
from d2l import torch as d2l

1. 下载和预处理数据集

机器翻译的数据集是由源语言和目标语言的文本序列对组成的。

首先，下载一个由Tatoeba项目的双语句子对组成的“英－法”数据集，数据集中的每一行都是制表符分隔文本序列对，序列对由英文文本序列和翻译后的法语文本序列组成。请注意，每个文本序列可以是一个句子，也可以是包含多个句子的一个段落。在这个将英语翻译成法语的机器翻译问题中，英语是 源语言（source language），法语是 目标语言（target language）。

#@save   
## 下载爬取数据集，学好python 
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
                         '94646ad1522d915e7b0f9296181140edcf86a4f5')

#@save
def read_data_nmt():
    #  载入“英语－法语”数据集。
    data_dir = d2l.download_extract('fra-eng')
    with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='UTF-8') as f:
        return f.read()

raw_text = read_data_nmt()
print(raw_text[:75])

Downloading ..\data\fra-eng.zip from http://d2l-data.s3-accelerate.amazonaws.com/fra-eng.zip...
Go.	Va !
Hi.	Salut !
Run!	Cours?!
Run!	Courez?!
Who?	Qui ?
Wow!	?a alors?!

2. 文本预处理

下载数据集后，我们对原始的文本数据进行处理需要经过几个预处理步骤。

1.用空格代替 不间断空格（non-breaking space）
2.使用小写字母替换大写字母
3.在单词和标点符号之间插入空格

def preprocess_nmt(text):
    """预处理"""
    # 使用空格替换不间断空格,(\xa0是拉丁扩展字符集里的字符，代表的是不间断空白符)
    # 使用小写字母替换大写字母
    text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
    # 在单词和标点符号之间插入空格
    out = ''
    for i,char in enumerate(text):
        if i>0 and char in (',','!','.','?') and text[i-1] !=' ':
            out += ' '
        out +=char
    # 下面是沐神的原代码，我写成上面的感觉比较好理解
#     def no_space(char,prev_char):
#         return char in set(',.!?') and prev_char != ' '
#     out = [
#         ' ' + char if i > 0 and no_space(char, text[i - 1]) else char
#         for i, char in enumerate(text)]
    return ''.join(out)

text = preprocess_nmt(raw_text)
print(text[:80])

go .	va !
hi .	salut !
run !	cours !
run !	courez !
who ?	qui ?
wow !	?a alors !

3. 词元化 tokenization

将句子/段落划分成一个个单词组成的向量。就像是把一把📏按照其刻度切分开来了。

def tokenize_nmt(text,num_examples=None):
    """将数据集词元化"""
    source,target = [],[]
    for i,line in enumerate(text.split('\n')):
        if num_examples and i>num_examples:
            break
        parts = line.split('\t')
        if len(parts)==2:
            source.append(parts[0].split(' '))
            target.append(parts[1].split(' '))
    return source,target
source, target = tokenize_nmt(text)
source[:6], target[:6]

([['go', '.'],
  ['hi', '.'],
  ['run', '!'],
  ['run', '!'],
  ['who', '?'],
  ['wow', '!']],
 [['va', '!'],
  ['salut', '!'],
  ['cours', '!'],
  ['courez', '!'],
  ['qui', '?'],
  ['?a', 'alors', '!']])

# 绘制每个文本序列包含的标记数量的直方图
# 句子的长度都不长，通常小于20
d2l.set_figsize()
_, _, patches = d2l.plt.hist([[len(l) for l in source], 
                              [len(l) for l in target]],
                             label=['source', 'target'])
for patch in patches[1].patches:
    patch.set_hatch('/')
d2l.plt.legend(loc='upper right');

4. 词汇表（ word embedding）

由于机器翻译数据集由语言对组成，因此我们可以分别为源语言和目标语言构建两个词汇表。使用单词级标记化时，词汇量将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，这里我们将出现次数少于2次的低频率标记视为相同的未知（“<$unk$>”）标记。除此之外，我们还指定了额外的特定标记，例如在小批量时用于将序列填充到相同长度的填充标记（“<$pad$>”），以及序列的开始标记（“<$bos$>”）和结束标记（“<$eos$>”）。这些特殊标记在自然语言处理任务中比较常用。

src_vocab = d2l.Vocab(source, min_freq=2,
                      reserved_tokens=['<pad>', '<bos>', '<eos>'])
len(src_vocab),list(src_vocab.token_to_idx.items())[:10]

(10012,
 [('<unk>', 0),
  ('<pad>', 1),
  ('<bos>', 2),
  ('<eos>', 3),
  ('.', 4),
  ('i', 5),
  ('you', 6),
  ('to', 7),
  ('the', 8),
  ('?', 9)])

2. 2. 加载数据集

在语言模型中的序列样本都有一个固定的长度，无论这个样本是一个句子的一部分还是跨越了多个句子的一个片断。这个固定长度是由时间步数或标记数量参数指定的。在机器翻译中，每个样本都是由源和目标组成的文本序列对，其中的每个文本序列可能具有不同的长度。

为了提高计算效率，我们仍然可以通过 截断（truncation）和 填充（padding）方式实现一次只处理一个小批量的文本序列 。假设同一个小批量中的每个序列都应该具有相同的长度n，那么如果文本序列的标记数目少于这个长度n时，我们将继续在其末尾添加特定的“<$pad$>”标记，直到其长度达到统一长度；反之，我们将截断文本序列，只取其前n个标记，并且丢弃剩余的标记。这样，每个文本序列将具有相同的长度，以便以相同形状的小批量进行加载。

def truncate_pad(line,num_steps,padding_token):
    """截断或者填充文本序列"""
    if len(line)>num_steps:
        return line[:num_steps] # 截断多余的
    return line +  [padding_token]*(num_steps -len(line)) # 填充缺少的

# 假设num_step为10，填充符号为<pad>，对每一句操作
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>']) 

[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]

现在我们定义一个函数，可以将文本序列转换成小批量数据集用于训练。我们将特定的“<$eos$>”标记添加到所有序列的末尾，用于表示序列的结束。当模型通过一个标记接一个标记地生成序列进行预测时，生成了“<$eos$>”标记说明完成了序列输出工作。此外，我们还记录了每个文本序列的长度，统计长度时排除了填充标记，在稍后将要介绍的一些模型会需要这个长度信息。

def build_array_nmt(lines,vocab,num_steps):
    """将机器翻译的文本序列转换成小批量"""
    lines = [vocab[l] for l in lines]
    lines = [l+[vocab['<eos>']] for l in lines] # 加上一个结束标记
    array = torch.tensor([
        truncate_pad(l,num_steps,vocab['<pad>']) for l in lines])
    valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1) # 保存填充的长度
    return array,valid_len

# 注意eos是3
array,valid_len = build_array_nmt(source,src_vocab ,10)
array[1],valid_len[1]

(tensor([113,   4,   3,   1,   1,   1,   1,   1,   1,   1]), tensor(3))

训练模型

# 整理数据加载和处理
def load_data_nmt(batch_size,num_steps,num_examples=600):
    """返回翻译数据集的迭代器和词汇表"""
    text = preprocess_nmt(read_data_nmt()) # 预处理
    source, target = tokenize_nmt(text, num_examples) # 词元化
    src_vocab = d2l.Vocab(source, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>'])
    tgt_vocab = d2l.Vocab(target, min_freq=2,
                          reserved_tokens=['<pad>', '<bos>', '<eos>']) #构建词汇表
    src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)
    tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)
    data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)
    data_iter = d2l.load_array(data_arrays, batch_size)
    return data_iter, src_vocab, tgt_vocab

train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
for X, X_valid_len, Y, Y_valid_len in train_iter:
    print('X:', X.type(torch.int32))
    print('valid lengths for X:', X_valid_len)
    print('Y:', Y.type(torch.int32))
    print('valid lengths for Y:', Y_valid_len)
    break

X: tensor([[16, 51,  4,  3,  1,  1,  1,  1],
        [ 6,  0,  4,  3,  1,  1,  1,  1]], dtype=torch.int32)
valid lengths for X: tensor([4, 4])
Y: tensor([[ 35,  37,  11,   5,   3,   1,   1,   1],
        [ 21,  51, 134,   4,   3,   1,   1,   1]], dtype=torch.int32)
valid lengths for Y: tensor([5, 5])

2.3 小结

• 机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。
• 使用单词级标记化时的词汇量，将明显大于使用字符级标记化时的词汇量。为了缓解这一问题，我们可以将低频标记视为相同的未知标记。
• 通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。