1 导入库& 数据说明
import numpy as np
import torch
import matplotlib.pyplot as plt
from tensorboardX import SummaryWriter
x=np.array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 10],
[ 13, 18],
[ 23, 30],
[ 37, 50],
[ 63, 86],
[109, 146],
[183, 246]])
xx=torch.tensor(x,dtype=torch.float32,requires_grad=True)
xx
我们有这样一组数据x，每一行代表一个时刻的二维数据，我们希望的是
2 模型
pytorch笔记 pytorch模型中的parameter与buffer_UQI-LIUWJ的博客-CSDN博客
import torch
class Net(torch.nn.Module):
def __init__(self,lag_list):
super(Net,self).__init__()
self.lag_list=lag_list
#时滞集
self.l=len(self.lag_list)
#时滞集大小
self.param=torch.nn.Parameter(torch.zeros(self.l,2))
#自回归系数，一个time lag 一行自回归系数
#自回归系数放入Parameter里面，那么也会随着神经网路梯度下降更新
#定义前向传播方式
def forward(self,x):
max_len=max(self.lag_list)
#时滞集的最大元素，从这个元素之后的一个元素开始，考虑自回归预测和本身的差距
l=x.shape[0]
if(type(l)==type(1)):
pass
else:
l=int(l)
#这里为什么要这么分类一下呢？其实这也是我的一个疑问。
'''
直接用pytorch的话，l是一个int类型的数字
但是如果使用了tensorboardX之后，l是一个Tensor，那么就得用类型转换回int
'''
tensor_len=l-max_len
#表示需要进行（自回归预测-数据本身）比较的长度
#也就是max_len后一位开始到最后的这一部分的长度
lst_lag=[]
#不同时滞集对应的输入数据的部分
for i in self.lag_list:
lst_lag.append(x[max_len-i:max_len-i+tensor_len].clone())
#这里为什么要通过这种clone+放入列表的方式呢？
#因为如果你直接在原始数据上进行切片操作【比如x[i]=x[i-1]+x[i-2]】这种
#它会因为切片和inplace的问题，而无法传递梯度，最终会报错
ret_tmp_origin=x[max_len:max_len+tensor_len].clone()
#原始数据需要比较的一部分
ret_var=self.param[0]*lst_lag[0]
for i in range(1,self.l):
ret_var=ret_var+self.param[i]*lst_lag[i]
#自回归预测的部分
return(ret_var-ret_tmp_origin)
#自回归预测的部分和原始部分的差距
3 模型训练& tensorboardＸ可视化
net=Net([3,1])
from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/AR_pytorch')
#提供一个路径，将使用该路径来保存日志
writer.add_graph(net,xx)
#添加net的计算图
#使用Adams进行梯度下降,设置学习率为0.02
optimizer=torch.optim.Adam(net.parameters(),lr=0.02)
#开始训练
for epoch in range(1000):
prediction=net(xx)
loss=torch.linalg.norm(prediction)
#每次损失函数都是自回归预测和原始数据之间的L2范数
writer.add_scalar('loss_',loss,epoch)
#添加loss的summary信息
optimizer.zero_grad()
#清空上一步残余的参数更新值
loss.backward()
#误差反向传播，计算参数更新值
optimizer.step()
#将参数更新值施加到net的parameters上
for i in net.parameters():
writer.add_scalar('param-0_time_lag-3',i[0][0].item(),epoch)
writer.add_scalar('param-1_time_lag-3',i[0][1].item(),epoch)
writer.add_scalar('param-0_time_lag-1',i[1][0].item(),epoch)
writer.add_scalar('param-1_time_lag-1',i[1][1].item(),epoch)
在tensorboardX上，有：
3.1 损失函数图像
?3.2 自回归系数图像
可以看到，最后和我们目标的[2,1]很接近了?
?
?
?3.3? TensorboardX 计算图
整体如下，左边是自回归的计算路径，右边是原始数据（截取max_len之后的部分）的计算路径
3.3.1 右侧计算路径
ret_tmp_origin=x[max_len:max_len+tensor_len].clone()
#原始数据需要比较的一部分
?
?3.3.2 左侧计算路径
左右路（下）? x[2:9] (X[t-1])
左左路（下）?? x[0:7] (X[t-3])
?左中路
?就是不同时滞对应的切片*对应的param值
最后这是一个减法，自回归得到的和原始数据相减
