使用CNN进行回归预测代码（Python版-使用pytorch框架）

最后更新于：2024-05-30 22:33:21

-使用波士顿房价预测作为演示案例。

-可以自由设置神经网络卷积层结构、池化层结构

-可以快速划分训练集、验证集、测试集

-程序运行完后自动绘制出收敛过程、训练集和测试集的预测结果对比、相对误差图、MAE/MSE/MAPE/RMSE/R等指标

-多种训练参数可设置，包括求解器、迭代次数、初始学习率等等

-可设置随机种子，保证每次运行结果保持一致

–需要你做的基本只有导入数据和调参。

–绝大多数流程都被封装固化到函数中，仿照案例导入你的数据即刻得到结果~

一、代码运行环境

运行环境推荐为：VSCode+Anaconda+Pytorch+CUDA，配置教程见此处。

如果按照上述环境配置，则代码基本可以下载即用。

如果使用你的现有环境，需要安装依赖的包，这个可以根据代码运行时的报错内容判断和安装。

建议大家使用推荐环境。

二、程序介绍

程序文件

1.demoCNNreg_housing.py

使用波士顿城郊区域的房价数据集进行回归预测的案例，其中演示了khCNNreg.py文件中FunRegCNNs函数的应用方式示范。

文件可以直接运行。程序运行完成后，将会画出如下图像：

收敛过程图

训练集拟合结果对比图

测试集预测结果对比图

训练集预测结果相对误差

测试集预测结果相对误差

网络结构图

在命令行窗口还会打印出以下内容：

训练过程数据

MAE/MSE/MAPE/RMSE/R等指标

2.khCNNreg.py文件

使用CNN进行模式识别(分类)的快速实现的库文件，其中包含了FunRegCNNs函数，该函数的说明如下：

def FunRegCNNs(dataX, dataY, divideR, cLayer, poolingLayer, fcLayer, options, setting):
    """
    使用CNN进行回归预测的快速实现函数
    
    参数:
    - dataX: 输入数据,形状为(num_samples, num_channels, height, width)的numpy数组
    - dataY: 输出结果,考虑可以为多维的numpy数组
    - divideR: 数据集划分比例,形如[train_ratio, val_ratio, test_ratio]的列表
    - cLayer: 卷积层结构,形状为(num_conv_layers, 5)的numpy数组,每一行代表一个卷积层的参数[filter_height, filter_width, num_filters, stride, padding]
    - poolingLayer: 池化层结构,形状为(num_conv_layers, 5)的列表,每一行代表一个池化层的参数['pool_type', pool_height, pool_width, stride, padding],其中pool_type可以是'maxPooling2dLayer'或'averagePooling2dLayer'或'none'
    - fcLayer: 全连接层结构,形状为(num_fc_layers,)的列表,每一个元素代表一个全连接层的输出维度,如果为空列表则只有一个输出维度等于1的全连接层
    - options: 网络训练相关的选项,字典类型,包含以下键值对:
      - 'solverName': 优化器类型,可以是'sgdm'或'rmsprop'或'adam',默认为'adam'
      - 'MaxEpochs': 最大迭代次数,默认为30
      - 'MiniBatchSize': 批量大小,默认为128
      - 'InitialLearnRate': 初始学习率,默认为0.005
      - 'ValidationFrequency': 验证频率,即每多少次迭代进行一次验证,默认为50
      - 'LearnRateSchedule': 学习率调度方式,可以是'piecewise'或'none',默认为'none'
      - 'LearnRateDropPeriod': 学习率下降周期,默认为10
      - 'LearnRateDropFactor': 学习率下降因子,默认为0.95
    - setting: 其他选项,字典类型,包含以下键值对:
      - figflag: 是否绘制图像,'on'为绘制,'off'为不绘制
      - deviceSel: 训练设备选择,可以是'cpu'或'gpu',默认为'gpu',当设置为'gpu'时,如果gpu硬件不可用,则会自动切换到cpu
      - seed: 随机种子,整数,设置为0时不启用,设置为其他整数时启用,不同的整数为不同的种子值,变换种子值会影响结果,相同种子的计算结果是一致的,缺省时为不设置随机种子
      - minmax: 是否进行归一化,布尔值,默认为True
      
    返回值:
    - foreData: 测试集的回归预测结果
    - foreDataTrain: 训练集的回归预测结果
    - model: 训练好的PyTorch模型
    - info: 包含训练过程中的损失和准确率信息的字典
    """

3.torchview文件夹

绘制网络结构图依赖的文件。

三、快速开始

1.环境配置

1.1 运行环境推荐为：VSCode+Anaconda+Pytorch+CUDA，配置教程见此处。

1.2 在配置好上述环境后，还需要安装以下包：

pip install graphviz

1.3 另外，为了正确绘制混淆矩阵图，需要执行以下代码实现matplotlib的降级。

conda install matplotlib=3.7.2

1.4 点击这个链接，下载graphviz的安装包。

运行安装包，点击下一步。

点击接受。

注意！这步要选第二项：Add Graphviz to the system PATH for all users

选择一个路径进行安装。

安装完之后重启电脑。

至此环境配置完成。

2.运行测试脚本

先在vscode里打开下载好的文件夹，然后运行demoCNNreg_housing.py程序，程序运行完毕后如果没报错，且正常画出上述图像，则说明运行环境正常，程序正确。

3.替换成你自己的数据

复制一个demoCNNreg_housing.py的文件副本，这些demo文件的第一节都是加载数据集，第二节是将数据提取出输入变量和输出变量，注意输入变量需要转换为四维数据，这个在演示案例中有演示，如果你搞不定的话，购买完整版代码的同学可以找售后帮忙。

数据替换完成后点击运行即可。

剩下的就是调参了，调参是一个相对比较花费时间的事情，需要一定耐心。

四、关于完整版与公开版代码

五、获取公开版程序（需使用电脑浏览器打开）

注：公开版代码需使用Python3.11版本的conda

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需69.5元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

七、完整版代码重要更新

20240530 完成初版代码

八、常见问题

Q1：报错：DLL load failed while importing khCNNreg: 找不到指定的模块。

A1：原因是对于公开版代码，需要将当前的Python版本设定为3.11。使用以下步骤：

1.卸载你现在安装的anaconda，重启电脑。

2.点击这个链接，下载anaconda软件。然后参考这篇文章中的第三章和第四章配置环境。