pytorch 降水

### PyTorch实现降水预测模型

#### 构建网络结构
为了构建一个有效的降水预测模型，可以采用卷积神经网络(CNN)与长短时记忆(LSTM)相结合的方式。CNN用于提取空间特征，而LSTM则负责捕捉时间序列上的依赖关系。这种组合能够更好地理解气象数据中的复杂模式。

import torch
from torch import nn

class CNN_LSTM(nn.Module):
    def __init__(input_channels, hidden_size, num_layers, output_dim):
        super().__init__()
        
        self.cnn = nn.Sequential(
            nn.Conv2d(input_channels, 64, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2),
            
            nn.Conv2d(64, 128, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)
        )
    
        self.lstm = nn.LSTM(128 * 7 * 7, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_dim)

    def forward(x):
        out = cnn(x).view(-1, seq_len, 128*7*7)
        lstm_out, _ = lstm(out)
        final_output = fc(lstm_out[:, -1, :])
        return final_output

此部分定义了一个基础架构来处理输入图像并输出预测值[^1]。

#### 数据准备与预处理
对于降水预测任务来说，高质量的数据集至关重要。通常情况下会涉及到卫星云图、地面观测站记录等多种类型的资料。这些原始数据往往需要经过清洗、标准化等一系列操作才能被用来训练机器学习算法。

- **归一化**: 将所有的数值调整到相同的尺度上。
- **填充缺失值**: 使用插值法或者其他统计手段填补空白处。
- **划分时间段**: 根据实际需求选取适当长度的历史窗口作为输入X，并指定未来某个时刻的目标Y。

#### 训练过程
一旦完成了上述准备工作之后就可以着手于模型的实际训练工作了：

criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

for epoch in range(num_epochs):
    model.train()

    running_loss = 0.
    for i, (inputs, labels) in enumerate(train_loader):

        outputs = model(inputs.float())
        loss = criterion(outputs.squeeze(), labels.float())

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
    
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader)}')

这段代码展示了如何设置损失函数以及优化器，并通过循环迭代完成整个训练流程[^4]。

#### 测试评估
当训练完成后还需要对模型的效果做出评价，在测试集中挑选一些样本进行验证是非常必要的步骤之一。此时应该调用`model.eval()`切换至推理状态以获得更稳定的性能表现；同时记得关闭梯度计算从而节省内存资源消耗。

with torch.no_grad():
    predictions = []
    actuals = []

    for inputs, targets in test_loader:
        pred = model(inputs.float()).squeeze().numpy()
        act = targets.numpy()

        predictions.extend(pred.tolist())
        actuals.extend(act.tolist())

最后可以通过绘制图表对比两者之间的差异程度直观感受模型的好坏[^2]。