基于PyTorch全连接神经网络的温度回归预测实战

简介面向天气温度回归预测这一典型连续值预测场景该项目基于Pytorch构建全连接神经网络采用Adam优化器完成模型训练与温度拟合。代码源自个人大作业评审分达95分以上经过严格调试可直接运行适合有一定Python基础、希望入门Pytorch回归任务的开发者学习借鉴。资源包共11个文件体积仅218KB包含Python主程序、CSV格式温度样本数据、3张可视化结果图样本温度折线图、损失函数输出图、实际温度与预测温度对比图以及gitignore、license等工程配置文件xml与iml为IDE项目描述整体结构清晰、便于快速定位核心代码。已有340人学习下载通过学习可系统了解从数据加载、网络层设计、损失计算到Adam优化配置的完整实现并能借助实际温度与预测温度对比图、损失变化图直观评估模型效果对掌握回归预测项目开发流程和PyTorch实践均有帮助。1. 温度回归预测与全连接网络的选型逻辑在机房温度监控、冷库温控这类场景里温度预测并不一定要上时序模型。把过去24小时的温度记录展开成滞后特征一个三层的全连接神经网络配上Adam优化器通常就能解释测试集上八到九成的温度方差训练时间按分钟计。这个项目做的就是这件事基于PyTorch全连接神经网络与Adam优化器对temps.csv中的温度序列做回归预测main.py单文件覆盖数据加载、样本构造、模型训练、指标评估和核心图表的输出。它不适合拿来炫技但很适合作为回归预测的第一个可复现基线——刚学完PyTorch基础、需要一份能跑通的课程大作业源码的开发者用这份代码起步是有效的参考。2. 数据探索与样本构造从temps.csv到可训练的滞后特征2.1 解压后先看哪些文件拿到压缩包后先不要急着运行main.py。目录里的.idea、misc.xml、modules.xml、inspectionProfiles是PyCharm的工程配置换机器直接删除也不影响运行天气预测.iml同理。真正有价值的是以下三类temps.csv原始温度时间序列数据main.py加载数据、构造样本、定义模型、训练、评估和绘图的完整流程三张PNG图样本数据温度折线图.png、损失函数输出值.png、实际温度vs预测温度 折线图.png这些图帮助你快速验证训练结果是否正常.gitignore里一般会忽略__pycache__、.idea和虚拟环境目录如果你要在自己的仓库里维护这份代码建议保留。2.2 读取温度数据与缺失值检查温度回归的第一步永远是确认数据形状和缺失情况。数据通常是两列时间戳date和温度值temp也可能只有一列温度数值序列。用pandas读取后打印头几行和统计信息import pandas as pd df pd.read_csv(temps.csv, parse_dates[date]) print(df.head()) print(df.info()) print(df.isnull().sum())parse_dates会把时间列解析成datetime类型便于后续画折线图和对齐索引。检查缺失值这一步容易被跳过但温度传感器上报中断产生的空值会让滞后特征构造阶段的dropna()静默删除过多样本导致训练样本数骤减。这里需要明确统计量纲df.describe()里的mean和std决定后续标准化参数务必记录因为预测结果还原真实温度时还要用到。2.3 把温度序列转为有监督回归样本温度序列是典型的自相关数据——今天的温度大概率接近昨天同一时刻。常见做法是用滑动窗口构造滞后特征将无监督的时间序列转换为(特征, 标签)的回归样本。def series_to_supervised(data, win_size24): cols [] for i in range(win_size, 0, -1): cols.append(data.shift(i)) df_s pd.concat(cols, axis1) df_s.columns [flag_{i} for i in range(win_size, 0, -1)] df_s[target] data return df_s.dropna()shift(i)把温度序列整体下移i个位置lag_24是24小时前的温度target是当前时刻待预测的真实温度。dropna()去掉头部窗口内没有完整历史记录的样本。这一设计抓住了温度回归与普通回归的差异样本间存在时间依赖不能像MNIST那样随机打乱。窗口大小的选择直接影响模型容量。温度数据按小时采集时24小时覆盖一个完整昼夜周期模型容易学到当前温度与昨天同时刻温度强相关这类规律如果数据粒度是分钟级窗口可能要扩到48甚至72。数据粒度建议窗口大小理由小时级24覆盖一个昼夜周期半小时级48与24小时周期对应分钟级60~120短时惯性为主窗口过大带来噪声2.4 标准化与时间顺序切分温度值量纲对全连接网络的收敛速度影响很大。输入输出都做标准化可以让Adam在更平坦的误差曲面上搜索。这里的关键区别是所有标准化参数只从训练集拟合from sklearn.preprocessing import StandardScaler scaler StandardScaler() train_size int(len(df_s) * 0.8) train_df, test_df df_s.iloc[:train_size], df_s.iloc[train_size:] scaler.fit(train_df) train_scaled scaler.transform(train_df) test_scaled scaler.transform(test_df)不能先对整个数据集fit再切分否则测试集的均值和方差信息泄漏到训练过程验证指标会虚高。另一个常见误用是train_test_split(shuffleTrue)在温度预测里这样随机打散样本会让模型在训练时见到未来的数据。时间序列任务要按时间顺序切分前80%做训练后20%做验证。切分后把特征列和标签列拆成numpy数组再转换成PyTorch张量并封装为TensorDataset。3. 模型定义与Adam优化器全连接网络的层数、损失函数与参数配置3.1 为什么全连接网络对滞后特征有效温度序列的短程自相关性很强lag_1到lag_24这24个特征已经携带了目标值的大部分信息。全连接网络本质上是在学习这些滞后特征到目标温度的非线性映射比如夜间降温曲线的凹性、白天升温的饱和趋势这些都能被ReLU激活函数的分段线性组合逼近。相比LSTM或Transformer全连接网络没有序列建模的归纳偏置但它收敛快、训练稳定在小样本温度回归任务上往往是性价比最高的选择。3.2 用nn.Module定义一个三层全连接网络import torch.nn as nn class TemperatureMLP(nn.Module): def __init__(self, input_dim, hidden_dims(128, 64), dropout0.1): super().__init__() layers [] last_dim input_dim for h in hidden_dims: layers.append(nn.Linear(last_dim, h)) layers.append(nn.ReLU()) layers.append(nn.Dropout(dropout)) last_dim h layers.append(nn.Linear(last_dim, 1)) self.net nn.Sequential(*layers) def forward(self, x): return self.net(x)这里用nn.Sequential把线性层、ReLU和Dropout串联起来结构清晰且便于调试。输入维度input_dim等于窗口大小win_size因为每个样本只有一列温度特征。中间层用128和64两个隐藏维度对几千条样本规模的数据集不会过参数化。Dropout(0.1)只在训练时生效model.eval()后自动关闭防止验证阶段误伤预测结果。层输入维度输出维度激活/操作Linear24128ReLU Dropout(0.1)Linear12864ReLU Dropout(0.1)Linear641无激活3.3 损失函数与回归指标的取舍回归任务的默认损失函数是nn.MSELoss()即均方误差。它和F.mse_loss等价封装了均值和张量维度处理。预测值与真实温度偏差的平方被放大所以异常温度毛刺会主导梯度方向——如果数据里有传感器尖峰噪声建议先清洗再训练。评估阶段我习惯额外计算RMSE和R²它们相对损失值更可读具体实现放在第5章。3.4 Adam优化器的参数配置与固定随机种子import torch model TemperatureMLP(input_dimwin_size) optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.MSELoss() torch.manual_seed(42)Adam的核心是每个参数维护一阶动量m_t和二阶动量v_t用指数移动平均估计梯度的一阶矩和二阶矩并做偏差校正。相比SGD它对学习率不那么敏感尤其适合全连接网络这种参数量不大但梯度尺度不一的场景。lr1e-3是Adam的默认配置在温度回归这类平滑目标上收敛稳定。Adam的betas参数需要了解但不必经常改betas(0.9, 0.999)表示一阶动量衰减为0.9、二阶动量衰减为0.999。eps1e-8是防止除零的数值稳定项。weight_decay可选设为1e-5能起到L2正则化作用对抗小样本过拟合我通常会在验证loss出现轻微上升时开启。随机种子固定在main.py开头保证每次运行得到相同的初始化权重和数据划分排查问题时才能对比不同版本的结果。4. 训练循环与超参数调优loss曲线、早停与常见收敛问题4.1 训练循环的完整实现epochs 200 train_losses, val_losses [], [] for epoch in range(epochs): model.train() total_loss 0.0 for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) loss criterion(pred.squeeze(), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() * xb.size(0) if (epoch 1) % 10 0: model.eval() val_pred model(xv_tensor) val_loss criterion(val_pred.squeeze(), yv_tensor).item() train_losses.append(total_loss / len(train_loader.dataset)) val_losses.append(val_loss) print(fEpoch {epoch1}/{epochs} train_loss: {train_losses[-1]:.6f} val_loss: {val_loss:.6f})optimizer.zero_grad()必须在loss.backward()之前调用否则每个batch的梯度会累加等于用大了一倍的batch size训练表现为loss周期性震荡。clip_grad_norm_把整个参数集的梯度L2范数截断到1.0防止个别异常样本造成梯度爆炸如果你的数据已经标准化这个设置一般不会被触发但留着它能在温度尖峰数据上避免训练发散。4.2 验证流程与loss曲线输出验证阶段严禁打开梯度计算。model.eval()切换BatchNorm和Dropout的行为torch.no_grad()则彻底停掉自动求导省显存、提速。验证用同一批固定数据xv_tensor保证每个epoch对比的是同一分布这样loss曲线才有可比性。每10个epoch记录一次val_loss用matplotlib把两条曲线画到损失函数输出值.png中import matplotlib.pyplot as plt plt.plot(range(10, epochs 1, 10), train_losses, labeltrain_loss) plt.plot(range(10, epochs 1, 10), val_losses, labelval_loss) plt.xlabel(epoch) plt.ylabel(MSE) plt.legend() plt.savefig(损失函数输出值.png, dpi150)ReduceLROnPlateau可以在验证loss连续多次不下降时自动降低学习率这对Adam后期收敛很有帮助——Adam前期收敛快动态调整学习率比固定lr1e-3更稳。4.3 超参数推荐与调优方向超参数推荐值过大时表现过小时表现learning_rate1e-3训练不稳定loss震荡收敛慢200轮不够用batch_size32收敛噪声大占用显存多收敛太慢每轮迭代次数少hidden_dim(128, 64)过拟合训练时间变长表达力不足欠拟合dropout0.1欠拟合信息丢失过拟合验证loss变高epochs200后期过拟合未收敛loss仍下降温度回归数据量通常不大batch_size设为32即可。如果你发现训练loss下降但val_loss升高说明模型开始记忆噪声优先增大dropout到0.2或减少隐藏层宽度而不是降低epochs。反过来如果训练loss始终高位先检查自己是否忘了做标准化再确认lr是否过小。4.4 训练阶段三个需要停下来的信号第一个信号是验证loss连续20轮不降反升这是过拟合的明确警报此时训练loss往往仍在缓慢下降——模型在背训练样本。第二个信号是前10轮训练loss完全不动多半是学习率过小或数据量纲问题。第三个信号是loss值出现nan属于学习率过大导致的梯度爆炸把lr从1e-3降到1e-4重跑即可。早停可以直接写在训练循环里best_val_loss float(inf) patience 20 wait 0 # 每个epoch结束后更新早停逻辑 if val_loss best_val_loss: best_val_loss val_loss wait 0 torch.save(model.state_dict(), best_model.pt) else: wait 1 if wait patience: breakbest_model.pt保存的是历史最优权重而不是最后一个epoch的模型。这在温度回归里很重要因为Adam后期会在最优解附近小幅震荡最优权重往往出现在第60到100轮之间早停配合best_model.pt不让前面学到的规律被后期震荡覆盖。5. 预测结果验证逆标准化、R²/RMSE计算与误差修正技巧5.1 推理阶段输出与实际温度对比图评估预测效果时要把标准化后的预测值还原到真实温度量纲否则计算出的指标无法直观反映差几度。加载保存的最优权重关闭dropout后做推理model.load_state_dict(torch.load(best_model.pt)) model.eval() with torch.no_grad(): y_pred_scaled model(xv_tensor).squeeze().numpy() y_pred scaler.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel() y_true scaler.inverse_transform(yv_tensor.numpy().reshape(-1, 1)).ravel()inverse_transform用训练集拟合的均值和标准差还原温度。注意这里必须用同一个scaler对象不能用重新fit的scaler否则输出量纲会偏离真实温度范围。绘图时x轴用测试集的时间索引画两条折线一条是实际温度一条是预测温度重叠程度越高说明回归效果越好。5.2 回归指标的计算口径温度预测的误差单位是摄氏度这是RMSE比MSE更直观的原因。R²表示模型解释了测试集温度方差的百分比接近1说明预测和真实值高度同步from sklearn.metrics import mean_squared_error, r2_score rmse mean_squared_error(y_true, y_pred, squaredFalse) r2 r2_score(y_true, y_pred) print(fRMSE: {rmse:.2f}°C R²: {r2:.4f})注意RMSE和训练loss的数值不能直接对比——训练loss来自标准化空间RMSE来自温度原始空间两者量纲不同。如果你发现RMSE在3°C以上先检查预测曲线是否整体滞后于真实曲线。5.3 温度峰谷位置滞后误差的修正技巧全连接网络基于滞后特征做回归它对剧烈温度变化的响应天然偏慢真实温度在清晨快速上升时预测值往往还在前几个时刻的低位区间。一个实用的修正技巧是计算残差的时间分布import numpy as np residual y_true - y_pred mean_residual np.mean(residual) print(f平均偏差: {mean_residual:.2f}°C)如果mean_residual明显不为0说明模型存在系统性偏差。修正方法是给预测值加一个偏置项y_pred_corrected y_pred mean_residual这个操作的原理是时序回归在多个时段的滞后误差有正有负但温升/温降不对称时整体偏差会向一个方向累积。通常修正后RMSE能下降0.2到0.5°C。对于峰值滞后问题可以额外统计残差绝对值最大的时段如果集中在凌晨和正午说明模型对昼夜突变捕捉不足这时增加lag_24特征的权重或把窗口从24扩到48是更直接的解决路径。本文还有配套的精品资源点击获取