【项目实战】kaggle产品分类挑战

多分类特征的学习

这里还是b站刘二大人的视频课代码，视频链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=9

相关注释已经标明了（就当是笔记），因此在这里不多赘述，今天的主要目的还是Kaggle的题目

import torch

from torchvision import transforms  # 图像处理工具

from torchvision import datasets

from torch.utils.data import DataLoader

import torch.nn.functional as F

import torch.optim as optim

batch_size = 64

transform = transforms.Compose([

    transforms.ToTensor(),

    transforms.Normalize((0.1307, ), (0.3081, ))

])

# 可以把传入的图像变成一个数值在0到1之间的张量，这里的均值和标准差都是算好的

train_dataset = datasets.MNIST(root='../dataset/mnist/',

                               train=True,

                               download=True,

                               transform=transform)

train_loader = DataLoader(train_dataset,

                          shuffle=True,

                          batch_size=batch_size)

text_dataset = datasets.MNIST(root='../dataset/mnist/',

                              train=False,

                              download=True,

                              transform=transform)

test_loader = DataLoader(text_dataset,

                         shuffle=False,

                         batch_size=batch_size)

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.l1 = torch.nn.Linear(784, 512)

        self.l2 = torch.nn.Linear(512, 256)

        self.l3 = torch.nn.Linear(256, 128)

        self.l4 = torch.nn.Linear(128, 64)

        self.l5 = torch.nn.Linear(64, 10)

    def forward(self, x):

        x = x.view(-1, 784)

        x = F.relu(self.l1(x))

        x = F.relu(self.l2(x))

        x = F.relu(self.l3(x))

        x = F.relu(self.l4(x))

        return self.l5(x)

model = Net()

criterion = torch.nn.CrossEntropyLoss()

# 使用交叉熵损失他的作用是尽量保持当前梯度的变化方向。

# 没有动量的网络可以视为一个质量很轻的棉花团，风往哪里吹就往哪里走，一点风吹草动都影响他，四处跳

# 动不容易学习到更好的局部最优。没有动力来源的时候可能又不动了。加了动量就像是棉花变成了铁球，

# 咕噜咕噜的滚在参数空间里，很容易闯过鞍点，直到最低点。可以参照指数滑动平均。优化效果是梯度二阶

# 导数不会过大，优化更稳定，也可以看做效果接近二阶方法，但是计算容易的多。其实本质应该是对参数加了约束

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)  # 这里是一个冲量

def train(epoch):

    running_loss = 0.0

    for batch_idx, data in enumerate(train_loader, 0):

        inputs, target = data

        optimizer.zero_grad()

        # 前馈反馈和更新

        outputs = model(inputs)

        loss = criterion(outputs, target)

        loss.backward()

        optimizer.step()

        running_loss += loss.item()  # 累积的loss拿入

        if batch_idx % 300 == 299:    # 每300轮输出一次

            print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))

            running_loss = 0.0

def test():

    correct = 0  # 正确的数量

    total = 0   # 总数

    with torch.no_grad():

        for data in test_loader:   # 拿出每一行里面最大值的下标

            images, labels = data

            outputs = model(images)

            _, predicted = torch.max(outputs.data, dim=1)

            total += labels.size(0)

            correct += (predicted == labels).sum().item()  # 计算猜对的数量

            print('Accuracy on text set: %d %%' % (100*correct/total))

if __name__ == '__main__':

    for epoch in range(10):

        train(epoch)

        test()

# 到97就跑不上去了，毕竟这就是一个很简单的前馈网络

然后这里是结果

赛题及阅读

本题的kaggle网址在此：https://www.kaggle.com/competitions/otto-group-product-classification-challenge

然后数据集一个train一个text，train，这个挑战主要是给一堆商品数据，这些商品分为9类，每个商品有93个特征，需要你来进行一个模型学习，在测试集中完成分类

原文翻译如下：

在本次比赛中，我们为20多万种产品提供了一个包含93个功能的数据集。我们的目标是建立一个预测模型，能够区分我们的主要产品类别。获奖模型将是开源的。

数据处理

首先我们的数据长成这样

显然我们的target里面的就是我们要学习的标签值，但是他是一个string类型，这个我们可以进行转换

def class2num(brands):

    brands_out = []

    brand_in = ['class1', 'class2', 'class3', 'class4', 'class5', 'class6', 'class7', 'class8', 'class9']

    for brand in brands:   //循环的读传入的数据

        brands_out.append(brand_in.index(brand))  ##获取当前值在brand_in的索引，巧妙的让他数字化

    return brands_out

然后再定义处理数据的函数

class ProductData(Dataset):

    def __init__(self, filepath):

        xy = pd.read_csv(filepath)

        brand = xy['target']

        self.len = xy.shape[0]

        self.x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy转换成np的array数组然后读取里面的数据，并进行数据转换

        self.y_data = class2num(brand)

    def __getitem__(self, index):

        return self.x_data[index], self.y_data[index]

    def __len__(self):

        return self.len

再传入数据,定义小批量梯度下降的规模

train_data = ProductData('train.csv')

train_loader = DataLoader(dataset=train_data, batch_size=64, shuffle=True, num_workers=0)

模型设计

再开始设计模型，因为我们的最后分类是9，而特征有93个，所以需要把93降到9

这里是我们定义的模型

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.l1 = torch.nn.Linear(93, 72)

        self.l2 = torch.nn.Linear(72, 36)

        self.l3 = torch.nn.Linear(36, 18)

        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):

        x = x.view(-1, 93)

        x = F.relu(self.l1(x))

        x = F.relu(self.l2(x))

        x = F.relu(self.l3(x))

        return self.l4(x)

同时在Net的下面我还决定按照昨天的代码编写思路，写上测试的函数

 def test(self, x):

        with torch.no_grad():

            x = F.relu(self.l1(x))

            x = F.relu(self.l2(x))

            x = F.relu(self.l3(x))

            x = F.relu(self.l4(x))

            _, predict = torch.max(x, dim=1)

# 代码中一个独立的下划线，表示这个变量不重要一个独立的下划线，它也是一个变量名，只不过它比较特殊，当你使用下划线作为变量名时，就代表你告诉大家，这个变量不重要，仅仅占个位置，可以忽略，后面不会再使用它。

            y = pd.get_dummies(predict)   # 把predict转换成独热向量

            return y

实例化模型，并确定损失函数和优化器

model = Net()

criterion = torch.nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

训练

if __name__ == '__main__':

    for epoch in range(200):

        running_loss = 0.0

        for batch_idx, data in enumerate(train_loader, 0):  //用batch_idx, data获取enumerate的值

            inputs, target = data

            inputs = inputs.float()

            optimizer.zero_grad()

            outputs = model(inputs)      //  放进模型

            loss = criterion(outputs, target)

            loss.backward()

            optimizer.step()

            running_loss += loss.item()  # 累积的loss拿入

            if batch_idx % 300 == 299:    # 每300轮输出一次

                print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))

                running_loss = 0.0

这就是小批量梯度下降的训练写法

训练结果如下

测试

按照要求来测试数据集并且输出一个csv

test_data = pd.read_csv('test.csv')   # 读取测试集

test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))   # 读取特征

out = model.test(test_inputs.float())          # 传入模型并且用out来接受得到的值

lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']

out.columns = lables   # 用lables作为标签

out.insert(0, 'id', test_data['id'])   # 对应的标签插入值,insert() 函数用于将指定对象插入列表的指定位置

output = pd.DataFrame(out)    # 输出成一个dataframe

output.to_csv('my_predict.csv', index=False)  # 输出为csv文件

放进kaggle看看

分数不太行嗷

改变一下动量看看（改成0.1）

稍微好一点

以下是完整代码

import numpy as np

import pandas as pd

from torch.utils.data import Dataset, DataLoader

import torch

import torch.nn.functional as F

import torch.optim as optim

def class2num(brands):

        brands_out = []

        brand_in = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']

        for brand in brands:

            brands_out.append(brand_in.index(brand))

        return brands_out

class ProductData(Dataset):

    def __init__(self, filepath):

        xy = pd.read_csv(filepath)

        brand = xy['target']

        self.len = xy.shape[0]

        self.x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy转换成np的array数组然后读取里面的数据，并进行数据转换

        self.y_data = class2num(brand)

    def __getitem__(self, index):

        return self.x_data[index], self.y_data[index]

    def __len__(self):

        return self.len

train_data = ProductData('train.csv')

train_loader = DataLoader(dataset=train_data, batch_size=64, shuffle=True, num_workers=0)

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.l1 = torch.nn.Linear(93, 72)

        self.l2 = torch.nn.Linear(72, 36)

        self.l3 = torch.nn.Linear(36, 18)

        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):

        x = x.view(-1, 93)

        x = F.relu(self.l1(x))

        x = F.relu(self.l2(x))

        x = F.relu(self.l3(x))

        return self.l4(x)

    def test(self, x):

        with torch.no_grad():

            x = F.relu(self.l1(x))

            x = F.relu(self.l2(x))

            x = F.relu(self.l3(x))

            x = F.relu(self.l4(x))

            _, predict = torch.max(x, dim=1)

# 代码中一个独立的下划线，表示这个变量不重要一个独立的下划线，它也是一个变量名，只不过它比较特殊，当你使用下划线作为变量名时，就代表你告诉大家，这个变量不重要，仅仅占个位置，可以忽略，后面不会再使用它。

            y = pd.get_dummies(predict)   # 把predict转换成独热向量

            return y

model = Net()

criterion = torch.nn.CrossEntropyLoss()

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.1)

if __name__ == '__main__':

    for epoch in range(200):

        running_loss = 0.0

        for batch_idx, data in enumerate(train_loader, 0):

            inputs, target = data

            inputs = inputs.float()

            optimizer.zero_grad()

            outputs = model(inputs)

            loss = criterion(outputs, target)

            loss.backward()

            optimizer.step()

            running_loss += loss.item()  # 累积的loss拿入

            if batch_idx % 300 == 299:    # 每300轮输出一次

                print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))

                running_loss = 0.0

# 测试

test_data = pd.read_csv('test.csv')

test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))

out = model.test(test_inputs.float())

lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']

out.columns = lables

out.insert(0, 'id', test_data['id'])

output = pd.DataFrame(out)

output.to_csv('my_predict.csv', index=False)

全梯度

故技重施，搞一下直接梯度下降看看，训练5w遍

import numpy as np

import pandas as pd

import torch

import torch.nn.functional as F

import torch.optim as optim

def class2num(brands):

        brands_out = []

        brand_in = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']

        for brand in brands:

            brands_out.append(brand_in.index(brand))

        return brands_out

xy = pd.read_csv('train.csv')

brand = xy['target']

len = xy.shape[0]

x_data = torch.tensor(np.array(xy)[:, 1:-1].astype(float))  # 把xy转换成np的array数组然后读取里面的数据，并进行数据转换

y_data = torch.tensor(class2num(brand))

class Net(torch.nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.l1 = torch.nn.Linear(93, 72)

        self.l2 = torch.nn.Linear(72, 36)

        self.l3 = torch.nn.Linear(36, 18)

        self.l4 = torch.nn.Linear(18, 9)

    def forward(self, x):

        x = x.view(-1, 93)

        x = F.relu(self.l1(x))

        x = F.relu(self.l2(x))

        x = F.relu(self.l3(x))

        return self.l4(x)

    def test(self, x):

        with torch.no_grad():

            x = F.relu(self.l1(x))

            x = F.relu(self.l2(x))

            x = F.relu(self.l3(x))

            x = F.relu(self.l4(x))

            _, predict = torch.max(x, dim=1)

# 代码中一个独立的下划线，表示这个变量不重要一个独立的下划线，它也是一个变量名，只不过它比较特殊，当你使用下划线作为变量名时，就代表你告诉大家，这个变量不重要，仅仅占个位置，可以忽略，后面不会再使用它。

            y = pd.get_dummies(predict)   # 把predict转换成独热向量

            return y

model = Net()

criterion = torch.nn.CrossEntropyLoss()

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.1)

if __name__ == '__main__':

    for epoch in range(50000):

        x_data = x_data.float()

        optimizer.zero_grad()

        outputs = model(x_data)

        loss = criterion(outputs, y_data)

        print(epoch, loss.item())

        optimizer.zero_grad()

        loss.backward()

        optimizer.step()

# 测试

test_data = pd.read_csv('test.csv')

test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))

out = model.test(test_inputs.float())

lables=['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']

out.columns = lables

out.insert(0, 'id', test_data['id'])

output = pd.DataFrame(out)

output.to_csv('my_predict.csv', index=False)

这次训练速度肉眼可见的慢，慢的一批

下降的也非常缓慢，基本可以判断是碰到局部最优了，毕竟刚刚那个200次就loss就0.3了

最后我们再用随机梯度下降试试，只需要把batchsize改成1即可

慢的就离谱。。。。

半天就跑这么点

那没事了

结束今天的学习！

【项目实战】kaggle产品分类挑战的相关教程结束。