# 1.导入相关模块 import torch from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import torch.nn as nn import torch.optim as optim from sklearn.datasets import make_regression from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt import numpy as np import pandas as pd import timefrom torchsummary import summary# 每一行代表一个样本，每一列代表一个特征 ，最后一列代表价格类别（如 0=低价、1=中价、2=高价、3=超高价）# 2.构建数据集 def create_dataset():# 使用pandas读取数据 --- 导入 Pandas，简写为 pd，用于读取 CSV 文件并处理表格数据。data = pd.read_csv('dataset/手机价格预测.csv')# 特征值和目标值 x（特征矩阵）： 含义：输入特征，包含每条样本的所有特征（如手机的内存、存储、屏幕尺寸等） # 维度：2 维矩阵（DataFrame/NumPy 数组） 形状：[样本数, 特征数]，例如 [1000, 20] 表示 1000 条样本，每条 20 个特征# x = data.iloc[:, :-1]：取除最后一列外的所有列 → 特征矩阵 # y 含义：目标值/类别标签，每条样本对应的价格类别（如 0=低价、1=中价、2=高价、3=超高价）# 维度：1 维向量（Series/NumPy 数组） 形状：[样本数]，例如 [1000] 表示 1000 个标签值# y = data.iloc[:, -1]：取最后一列 → 标签向量x, y = data.iloc[:, :-1], data.iloc[:, -1]# 类型转换：特征值，目标值x = x.astype(np.float32)y = y.astype(np.int64)# 数据集划分 --train_test_split，用于将数据集划分为训练集和验证集（或测试集）'''使用 train_test_split 将数据随机划分为训练集和验证集：80% 数据做训练（train_size=0.8）20% 数据做验证random_state=88 固定随机种子，使划分结果可复现。'''x_train, x_valid, y_train, y_valid = train_test_split(x, y, train_size=0.8, random_state=88)# 构建数据集，转换为pytorch的形式---torch.from_numpy是PyTorch中用于将NumPy数组转换为Tensor的函数，核心特性是共享底层内存，无需数据复制。# torch.tensor(...)：拷贝生成一个新的张量（与 from_numpy 略有不同） # 将特征和标签打包 TensorDataset 内部存储: [(x1, y1), (x2, y2), (x3, y3), ...]train_dataset = TensorDataset(torch.from_numpy(x_train.values), torch.tensor(y_train.values))valid_dataset = TensorDataset(torch.from_numpy(x_valid.values), torch.tensor(y_valid.values))# 返回结果'''train_dataset：训练集 TensorDatasetvalid_dataset：验证集 TensorDatasetx_train.shape[1]：特征维度（列数），后续作为模型输入维度 input_dim shape[0] = 行数（样本数） shape[1] = 列数（特征数）模型第一层需要知道输入特征数，才能定义 nn.Linear(input_dim, 128)len(np.unique(y))：标签中不同类别的数量，即分类数 class_num，后续作为模型输出维度 np.unique(y)：返回 y 中所有不重复的值（类别） len(...)：统计类别数量 为什么作为输出维度：多分类需要输出每个类别的得分（logits），输出维度 = 类别数（）例如：4 个类别 → output_dim = 4 → 最后一层 nn.Linear(256, 4) → 输出 [batch_size, 4]'''return train_dataset, valid_dataset, x_train.shape[1], len(np.unique(y))# 3.构建网络模型 class PhonePriceModel(nn.Module):def __init__(self, input_dim, output_dim):super(PhonePriceModel, self).__init__()# 1. 第一层：输入维度：20，输出维度：128self.linear1 = nn.Linear(input_dim, 128)# 2. 第二层：输入维度：128，输出维度：256self.linear2 = nn.Linear(128, 256)# 3. 第三层：输入维度：256，输出维度：4self.linear3 = nn.Linear(256, output_dim)def forward(self, x):# 前向传播过程x = torch.relu(self.linear1(x))x = torch.relu(self.linear2(x))output = self.linear3(x)# 获取数据结果return output# 4.模型训练 def train(train_dataset, input_dim, class_num, ):# 固定随机数种子 -- 设置 PyTorch 的随机数种子为 0，以保证每次运行初始化、打乱等操作结果相同（在同一环境下）。 torch.manual_seed(0)# 初始化模型model = PhonePriceModel(input_dim, class_num)# 损失函数criterion = nn.CrossEntropyLoss()# 优化方法 --- lr=1e-3：学习率设为 0.001optimizer = optim.SGD(model.parameters(), lr=1e-3)# 训练轮数num_epoch = 50# 遍历每个轮次的数据for epoch_idx in range(num_epoch):# 初始化数据加载器dataloader = DataLoader(train_dataset, shuffle=True, batch_size=8)# 训练时间start = time.time()# 计算损失 --- 用于累积当前 epoch 中所有 batch 的损失值之和。total_loss = 0.0total_num = 1# 遍历每个batch数据进行处理 --- x：特征张量，形状大致为 [batch_size, input_dim] y：标签张量，形状为 [batch_size]# x 是 batch 的特征，y 是 batch 的标签for x, y in dataloader:# 将数据送入网络中进行预测 --- 模型只负责前向计算，输入特征 x，输出预测 logits；标签 y 不进入模型，只用于计算损失output = model(x)# 计算损失 --- 用交叉熵损失计算当前 batch 的损失值：output：形状 [batch_size, class_num] y：形状 [batch_size]，每个元素为类别索引#得到一个标量 loss（tensor）。loss = criterion(output, y)# 梯度归零 optimizer.zero_grad()# 反向传播 对当前损失执行反向传播，计算 loss 对每个参数的梯度，即 ∂loss/∂θ loss.backward()# 参数更新 --- 根据梯度和学习率，按 SGD 算法更新模型参数。 optimizer.step()# 损失计算total_num += 1total_loss += loss.item()# 打印损失变换结果 --- 打印当前 epoch 训练信息： epoch_idx + 1：显示为从 1 开始的轮次 # total_loss / total_num：计算平均损失，用 %.2f 保留两位小数 # time.time() - start：该 epoch 训练总耗时（秒）print('epoch: %4s loss: %.2f, time: %.2fs' % (epoch_idx + 1, total_loss / total_num, time.time() - start))# 模型保存 --- 在所有 epoch 完成后，将模型参数（state_dict）保存到 'model/phone.pth' 文件中。 后续测试时会加载这个文件进行推理。# 注意：确保 model 目录存在，否则会报错。torch.save(model.state_dict(), 'model/phone.pth')def test(valid_dataset, input_dim, class_num):# 加载模型和训练好的网络参数 --- 同样创建一个 PhonePriceModel 实例，其结构必须和训练时一致model = PhonePriceModel(input_dim, class_num)# 使用 torch.load 从文件 'model/phone.pth' 中读取已保存的模型参数 model.load_state_dict(...) 将这些参数加载到新建的 model 实例中。# 这样就得到一个和训练后状态一致的模型，用于评估。model.load_state_dict(torch.load('model/phone.pth'))# 构建加载器 --- 将验证集构建成 DataLoader shuffle=False：验证时一般不打乱顺序。 # TensorDataset 将特征和标签打包成 (x, y) 对，DataLoader 迭代时返回该对dataloader = DataLoader(valid_dataset, batch_size=8, shuffle=False)# 评估测试集correct = 0# 遍历测试集中的数据for x, y in dataloader:# 将其送入网络中 --- 模型只负责前向计算，输入特征 x，输出预测 logits；标签 y 不进入模型，只用于计算损失output = model(x)# 获取类别结果 --- 沿 dim=1（类别维度）取最大值的索引：# output 形状为 [batch_size, class_num]# torch.argmax(..., dim=1) 得到形状 [batch_size] 的预测类别索引。# 参数： input：输入张量 dim：沿哪个维度找最大值（None 表示展平后找全局最大值） keepdim：是否保持维度y_pred = torch.argmax(output, dim=1)# 获取预测正确的个数correct += (y_pred == y).sum()# 求预测精度print('Acc: %.5f' % (correct.item() / len(valid_dataset)))if __name__ == '__main__':# 1.获取数据train_dataset, valid_dataset, input_dim, class_num = create_dataset()print("输入特征数：", input_dim)print("分类个数：", class_num)# 2.模型实例化model = PhonePriceModel(input_dim, class_num)# 从 torchsummary 导入 summary 函数，用于打印模型结构和参数量，在 __main__ 中会用来展示网络。'''使用 torchsummary.summary 打印模型结构：函数作用：打印模型结构、每层输出形状、参数量等信息，便于检查网络设计model：要分析的模型实例input_size=(input_dim,)：指定单个样本的输入形状为一维向量（元组）（长度 input_dim） (input_dim,) 表示一维向量，长度为 input_dim batch_size=16：仅用于展示参数中使用的 batch 大小，不影响模型本身结构。这会输出每层的输出形状和参数数量，有助于检查网络设置是否合理。'''summary(model, input_size=(input_dim,), batch_size=16)# 3.模型训练# train(train_dataset, input_dim, class_num)# 4.模型预测test(valid_dataset, input_dim, class_num)