基于mindspore实现全连接网络的波士顿数据集房价预测

北京理工大学邱小尧，写本次帖子是基于机器学习实践课程完成的相关使用mindspore深度学习框架完成的任务，写一些分享心得，本次实验我们预采用mindspore进行

数据导入与准备

在这里我们使用准备好的txt文档进行数据读取，其中CRIM,ZN,INDUS,CHAS,NOX,RM,AGE,DIS,RAD,TAX,PTRATI,B,LSTAT,MEDV为其属性，

其中MEDV为我们需要预测的房价。

构建可按照如下方法构造DatasetGenerator并依此得到我们的dataset

class DatasetGenerator:
    def __init__(self):
        self.data = data[:,:-1]
        self.label = data[:,-1]
 
    def __getitem__(self, index):
        return self.data[index], self.label[index]
 
    def __len__(self):
        return len(self.data)
 
dataset_generator = DatasetGenerator()
dataset = ds.GeneratorDataset(dataset_generator, ["data", "label"], shuffle=False)
 
dataset = dataset.shuffle(buffer_size=15)
dataset = dataset.batch(batch_size=16)
train_dataset,test_dataset=dataset.split([0.8,0.2])复制

全连接网络模型建立

接下来我们就开始构建全连接网络了仅采用三层全连接，较为简单。

class net(nn.Cell):
    def __init__(self):
        super(net,self).__init__()
        self.fc1 = nn.Dense(13,10)
        self.relu = nn.ReLU()
        self.fc2 = nn.Dense(10,1)
 
    def construct(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
 
        return x复制

设定优化器以及其他参数

在这里我们采用MSEloss函数，以及Adam优化器，感兴趣的话可以探究其他参数。

net = net()
loss = nn.MSELoss()
learning_rate = 1e-3
# optim = nn.Momentum(net.trainable_params(), learning_rate, 0.9)
# optim = nn.SGD(net.trainable_params(),learning_rate=learning_rate,momentum=0.9)
optim = nn.AdamWeightDecay(net.trainable_params(),learning_rate=learning_rate,weight_decay=1e-5)
cb = LossMonitor()
epochs = 100复制

模型训练

Mindspore实现的模型训练就很简单了，封装的比较好。

model = Model(net, loss_fn=loss, optimizer=optim)
model.train(epoch=epochs, train_dataset=train_dataset, callbacks=cb)复制

测试结果

在最终结果上，我们发现神经网络训练的拟合效果并不是很好，大概率因为Boston数据集数据量较少的原因。