bp神经网络预测模型l2正则化代码jupyteexcel数据

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：

# 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。