bp神经网络预测模型l2正则化代码jupyteexcel数据
时间: 2024-01-20 18:04:12 浏览: 104
以下是一个使用Jupyter Notebook展示的BP神经网络预测模型的L2正则化代码示例(使用Python语言和PyTorch框架),读取Excel数据进行训练:
```python
# 导入必要的库
import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取Excel数据
df = pd.read_excel('data.xlsx')
x_train = torch.from_numpy(df.iloc[:, :-1].values).float()
y_train = torch.from_numpy(df.iloc[:, -1].values.reshape(-1, 1)).float()
# 定义神经网络模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(3, 10)
self.fc2 = nn.Linear(10, 1)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return x
net = Net()
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9, weight_decay=0.01)
# 训练模型并进行L2正则化
for epoch in range(1000):
optimizer.zero_grad()
outputs = net(x_train)
loss = criterion(outputs, y_train)
l2_regularization = 0.0
for param in net.parameters():
l2_regularization += torch.norm(param, 2)
loss += 0.01 * l2_regularization
loss.backward()
optimizer.step()
if epoch % 100 == 0:
print('Epoch %d loss: %.3f' % (epoch + 1, loss.item()))
# 预测并绘制结果
x_test = torch.tensor([[1.5, 2.0, 3.0], [2.0, 3.0, 4.0], [3.0, 4.0, 5.0]])
y_pred = net(x_test).data.numpy()
print('Predictions:', y_pred)
plt.plot(y_train.numpy(), 'ro', label='Original data')
plt.plot(net(x_train).data.numpy(), label='Fitted line')
plt.legend()
plt.show()
```
在这个代码示例中,我们首先使用Pandas库读取了一个包含3个特征和1个标签的Excel数据,并将其转换为Tensor类型。然后我们定义了一个包含两个全连接层的神经网络模型,并使用MSE损失函数和SGD优化器进行训练。在每次迭代中,我们对网络参数进行L2正则化,将L2范数乘以0.01加入到损失函数中,从而对网络参数进行约束。最后,我们使用Matplotlib库绘制了原始数据和拟合曲线,同时使用预测结果验证模型的泛化能力。
阅读全文