如何用pytorch尝试第一个预测模型

PyTorch在时间序列预测和序列建模中的应用和技术有哪些? 关注公众号:AI技术星球,回复:123时间序列数据是一类在许多领域中广泛存在的数据类型,如金融市场数据、气象数据、交通数据等。时间序列预测和序列建模是对时间序列数据进行分析和预测的重要任务。PyTorch作为一种流行的深度学习框架,提供了丰富的工具和技术来处理时间序列数据。本文将介绍PyTorch在时间序列预测和序列建模中的应用和常见的技术。PyTorch在时间序列预测和序列建模中的应用和技术有哪些?PyTorch在时间序列预测和序列建模中的应用和技术有哪些? 阅读详情

如何用pytorch尝试第一个预测模型


前言

记录一下自学pytorch构建预测模型的过程,希望尽量详细并且具有逻辑性。欢迎建议和指导。


一、lstm预测

lstm是在时间序列预测中广泛使用到的模型,通过对输入的序列数据进行特征传递,包含了预测点之前的特征信息,效果更好。
因此,我先尝试构建lstm+fc层的时序预测模型。

几个关键步骤:
1:将特征值和标签值提取出来
2:拆分训练集和测试集,将训练集的特征值和标签值进行归一化拟合,在利用训练的归一化函数转换测试集。而后将dataframe格式的数据处理为tensor
3:构建模型
4:训练模型参数
5:模型测试
6:绘图

二、使用步骤

1. 采用的数据

在实际应用中,多维特征是更常见的,因此,不同于单维预测,我尝试选择特征维度为9,标签维度为2的数据集进行预测。

2.引入库

代码如下(示例):

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
import math
import torch
import torch.nn as nn
import torch.nn.functional	
import torch.utils.data as data
import matplotlib.pyplot as plt

3.读入数据

首先将数据中缺省值采用interpolate()进行填充,并计算目标值。这里的目标值是对下一个时刻(5分钟)进行预测

col_list1=['Lane 1 Flow (Veh/h)', 'Lane 2 Flow (Veh/h)','Lane 3 Flow (Veh/h)', 'Lane 4 Flow (Veh/h)']
col_list2=['Lane 1 Speed (km/h)','Lane 2 Speed (km/h)', 'Lane 3 Speed (km/h)', 'Lane 4 Speed (km/h)']

df=pd.read_csv(r"D:\学习\实验\CTS2023竞赛\CTS2023竞赛数据\train-5min\1.csv",usecols=col_list1+col_list2+['Week'])
df=df.replace(0,np.nan) #这句是因为有些数据是异常值0,我把它替换为空值,后面和空值一起做填充
df = df.interpolate() #将空值进行填充
df['target_veh']=df[col_list1].sum(axis=1).shift(-1)

df['target_speed']=(df['Lane 1 Flow (Veh/h)']*df['Lane 1 Speed (km/h)']+df['Lane 2 Flow (Veh/h)']*df['Lane 2 Speed (km/h)']+df['Lane 3 Flow (Veh/h)']*df['Lane 3 Speed (km/h)']+df['Lane 4 Flow (Veh/h)']*df['Lane 4 Speed (km/h)']).shift(-1)/df['target_veh']

由于最后一个没有目标值,因此我们将最后一行删除,我采用的方式是直接使用dropna函数,对数据集中的空白行进行删除。
在这里插入图片描述

df=df.dropna()

可以看到,数据行数和我们设想的一样,少了最后一行。
在这里插入图片描述

4.输入数据格式整理

首先切分一下训练集和测试集,接下来训练过程中都是使用训练集,包括归一化,保证测试集完全新鲜。由于归一化标签以后,还需要反归一化,为了避免格式问题,我设定了两个归一化器分别对X和y进行归一化。所以,数据划分的时候,也要将X和y划分出来。
这里使用的是iloc,如果使用的是loc是无法通过数字索引切分的。

train_len=math.ceil(len(df1)*0.8)
df_train_X,df_train_y=df1.iloc[:train_len,0:-2],df1.iloc[:train_len,-2:]
df_test_X,df_test_y=df1.iloc[train_len:,0:-2],df1.iloc[train_len:,-2:]

下一步就是将数据进行归一化处理,防止特征数据之间值的大小差异太大,导致对小数值特征不灵敏。
我采用的是sklearn.preprocessing 包里面的 MinMaxScaler。scalar_X就是对X数据进行归一化,scalar_y就是y数据进行归一化,后面方便对预测出来的y值进行反归一化。
注意这里对train的数据进行的是拟合后转换,而test数据则不进行拟合,直接转换。

scalar_X=MinMaxScaler()
data_train_X=scalar_X.fit_transform(df_train_X)
data_test_X=scalar_X.transform(df_test_X)

scalar_y=MinMaxScaler()
data_train_y=scalar_y.fit_transform(df_train_y)
data_test_y=scalar_y.transform(df_test_y)

然后将数据处理成tensor的格式,也就是 [(feature), (label)] 的格式。这里我原本想将数据分成三个连续数据为一组的形式,也就是seq_len=3,使得lstm能够保留一定的前后文关系。
但是后面发现seq_len=3没有使得模型损失更小,但是给反归一化带来了麻烦,我这里就又换成了1。
注意的是,再写循环的时候,要在len(x)后面+1,因为切分取值最后一个不取,因此会损失一个,加上1就解决了这个问题。

seq_len=1
def create_seq(X,y):
    seq=[]
    for i in range(seq_len,len(X)+1):
        fea=torch.FloatTensor(X[i-seq_len:i])
        label=torch.FloatTensor(y[i-seq_len:i])
        seq.append([fea,label])
    return seq
 
train_=create_seq(data_train_X,data_train_y)
test_=create_seq(data_test_X,data_test_y)

5.构建lstm+fc模型

在模型构建的第一步思路中,我先是按照pytorch的普遍格式,首先在init模块定义网络层,然后再forward模块定义网络层的流动,也就是lstm的隐藏层数据再输入到全连接层,由全连接生成预测值。

#====构建模型
class lstm(nn.module):
    def __init__(self,input_size,hidden_layer_size,output_size):
        super().__init__()  #这主要是继承父类的意思,暂时还不太懂作用
        
        self.lstm=nn.LSTM(input_size,hidden_layer_size)
        self.linear=nn.linear(hidden_layer_size,output_size)
        
        
    def forward(self,input_seq):
        lstm_out,self.hidden_cell=self.lstm(input_seq,self.hidden_cell)
        predictions=self.linear(lstm_out)
        
        return predictions

input_size就是特征维度,hidden_layer_size是隐藏层神经元个数,output_size是目标输出维度。(https://blog.csdn.net/foneone/article/details/104002372)

在使用模型中,需要了解lstm的输入格式,input=(seq_len, batch, input_size)。我个人开始难理解的是这个batch和seq_len的意义差别,batch很好理解,就是批次数据,seq_len就是输入的sequence_length(序列长度),既然LSTM是处理序列数据的,那么序列就需要一个长度。input_size就是特征维度了。(https://www.cnblogs.com/danielkung/p/14354415.html)

还有lstm的输出格式,output, (hn, cn) = lstm(x, (h0, c0))得到输出,输出output的size是(seq_len, batch, num_directions × hidden_size) 。(https://blog.csdn.net/qq_39540454/article/details/117304312)

因此,在输入数据的过程中,要注意与输入数据格式进行对齐。


6.训练模型

批次训练过程中首先要对数据集进行批次数据采集
我用到的是torch.utils.data包中的data.dataloader(),这个可以从数据集中直接进行无放回的批次采样,很便捷。

#====构建模型
loader=data.DataLoader(dataset=train_,batch_size=batch_size)

再在每个epoch里面循环这个loader就会得到(batch_size,feature_dimension)的数据

epochs=150
for i in range(epochs):
    for step,(batch_x,batch_y) in enumerate(loader):

这里我打印了batch_x的size, 可以看到刚好是我们想要的batch_size,seq_len,feature_dimension的格式。
在这里插入图片描述

输入到lstm中,还需要一步维度转换,将batch_size与seq_len的维度位置进行调换。pytorch中维度交换的函数好像只有两个,transpose和permute。我用的是permute,将第0维和第1维进行交换。交换以后,就可以开始训练了。
首先optimizer.zero_grad()将模型的梯度设为0,然后开始模型训练,得到每个批次的损失值,反向传播再优化。
为了后面打印损失值,我在将每个批次的损失值添加到列表中,注意这里因为single_loss是tensor格式,取值就用item().

batch_size=50

epochs=50
input_size=9

loader=data.DataLoader(dataset=train_,batch_size=batch_size)

loss=[]
for i in range(epochs):
    loss1=[]
    for step,(batch_x,batch_y) in enumerate(loader):
        # print(batch_x.size(),batch_y.size())
        batch_x = batch_x. permute(1, 0, 2)
        batch_y = batch_y. permute(1, 0, 2)
        # print(batch_x.size(),batch_y.size())

        optimizer.zero_grad()
        y_pred=model(batch_x)
        
        single_loss=loss_function(y_pred,batch_y)
        single_loss.backward()
        optimizer.step()
        loss1.append(single_loss.item())
    print(f'epoch:{i:3} loss:{np.mean(loss1):10.8f}')
    loss.append(np.mean(loss1))

得到损失值以后,就可以对损失值进行绘制,查看训练效果。

plt.plot(loss,'b',label='loss')
plt.xlabel('epochs')
plt.ylabel('loss value')
plt.legend()

损失图可以看出来收敛的效果挺好的。下一步就是对测试集进行测试。
在这里插入图片描述
测试集,首先要更改模型为测试或者验证模式:model.eval()

这里测试的时候,是直接把test_x整个数据集放进去的,为了保证数据类型和格式一致,我仍然用的Dataloader取值的,就是把batch_size直接设定为test集的长度。
同样,要输入到模型中,输入格式要注意调整为(seq_lem,batch_size,feature_dimension),我用的view对格式进行了转换。-1就是它自动计算。
然后,再设定with torch.no_grad():此时数据不需要计算梯度,也不会进行反向传播。
将数据输入模型,得到预测值和损失值

loader1=data.DataLoader(dataset=test_,batch_size=len(test_))
model.eval()
for step,(test_x,test_y) in enumerate(loader1):
    test_x = test_x. view(seq_len,-1,9)
    test_y = test_y. view(seq_len,-1,2)
with torch.no_grad():
    test_pred=model(test_x)
    print(test_pred.size())
    single_loss=loss_function(test_pred,test_y)
print(f' loss:{single_loss.item():10.8f}')

最后一步就是将预测值进行反归一化,得到预测值。因为输出的test_pred格式是3维的,通过view将其转为我们想要的方便处理的2维数据,再用是scaler_y直接进行反归一化。

test_pred=np.array(test_pred.view(len(test_),2).tolist())
test_y_real=scalar_y.inverse_transform(test_pred)

然后绘图检验真实值和预测值之间的差异。这里就是要把df_test中的索引要去掉,不然显示的位置会不一致

plt.plot(df_test_y['target_veh'].reset_index(drop=True),'r',label='test')
plt.plot(test_y_real[:,0],'b',label='pred')
plt.legend()
plt.show()

plt.plot(df_test_y['target_speed'].reset_index(drop=True),'r',label='test')
plt.plot(test_y_real[:,1],'b',label='pred')
plt.legend()
plt.show()

在这里插入图片描述
在这里插入图片描述

三、总结

1、模型中的输入和输出维度特别关键,是模型能运行的保证。
2、其次,tensor和list和np.array数据类型的转换有点绕,感觉最后一步再生成tensor后,不要再改动数据类型稳妥一点。
3、不熟练真的要有耐心,希望熟能生巧吧
完整代码如下

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
import math
import torch
import torch.nn as nn
import torch.nn.functional	
import torch.utils.data as data
import matplotlib.pyplot as plt

#====导入数据并将数据读取成(9,2)

col_list1=['Lane 1 Flow (Veh/h)', 'Lane 2 Flow (Veh/h)','Lane 3 Flow (Veh/h)', 'Lane 4 Flow (Veh/h)']
col_list2=['Lane 1 Speed (km/h)','Lane 2 Speed (km/h)', 'Lane 3 Speed (km/h)', 'Lane 4 Speed (km/h)']

df=pd.read_csv(r"D:\学习\博士材料\实验\CTS2023竞赛\CTS2023竞赛数据\train-5min\1.csv",usecols=col_list1+col_list2+['Week'])
df=df.replace(0,np.nan)
df = df.interpolate()


df['target_veh']=df[col_list1].sum(axis=1).shift(-1)
df['target_speed']=(df['Lane 1 Flow (Veh/h)']*df['Lane 1 Speed (km/h)']+df['Lane 2 Flow (Veh/h)']*df['Lane 2 Speed (km/h)']+df['Lane 3 Flow (Veh/h)']*df['Lane 3 Speed (km/h)']+df['Lane 4 Flow (Veh/h)']*df['Lane 4 Speed (km/h)']).shift(-1)/df['target_veh']
df1=df.dropna()

train_len=math.ceil(len(df1)*0.8)
df_train_X,df_train_y=df1.iloc[:train_len,0:-2],df1.iloc[:train_len,-2:]
df_test_X,df_test_y=df1.iloc[train_len:,0:-2],df1.iloc[train_len:,-2:]


scalar_X=MinMaxScaler()
data_train_X=scalar_X.fit_transform(df_train_X)
data_test_X=scalar_X.transform(df_test_X)

scalar_y=MinMaxScaler()
data_train_y=scalar_y.fit_transform(df_train_y)
data_test_y=scalar_y.transform(df_test_y)

seq_len=1
def create_seq(X,y):
    seq=[]
    for i in range(seq_len,len(X)+1):
        fea=torch.FloatTensor(X[i-seq_len:i])
        label=torch.FloatTensor(y[i-seq_len:i])
        seq.append([fea,label])
    return seq
 
train_=create_seq(data_train_X,data_train_y)
test_=create_seq(data_test_X,data_test_y)


#====构建模型
class lstm(nn.Module):
    def __init__(self,input_size=9,hidden_layer_size=100,output_size=2):
        super().__init__()  #这主要是继承父类的意思,暂时还不太懂作用
        
        self.lstm=nn.LSTM(input_size,hidden_layer_size)
        self.linear=nn.Linear(hidden_layer_size,output_size)
        
        
    def forward(self,input_seq):
        lstm_out,_=self.lstm(input_seq)
        # print(lstm_out.size())
        predictions=self.linear(lstm_out)
        # print(predictions.size())
        
        return predictions

model=lstm()
loss_function=nn.MSELoss()
optimizer=torch.optim.Adam(model.parameters(),lr=0.001)
print(model)

#====训练模型
batch_size=50

epochs=50
input_size=9

loader=data.DataLoader(dataset=train_,batch_size=batch_size)

loss=[]
for i in range(epochs):
    loss1=[]
    for step,(batch_x,batch_y) in enumerate(loader):
        print(batch_x.size(),batch_y.size())
        batch_x = batch_x. permute(1, 0, 2)
        batch_y = batch_y. permute(1, 0, 2)
        # print(batch_x.size(),batch_y.size())

        optimizer.zero_grad()
        y_pred=model(batch_x)
        
        single_loss=loss_function(y_pred,batch_y)
        single_loss.backward()
        optimizer.step()
        loss1.append(single_loss.item())
    print(f'epoch:{i:3} loss:{np.mean(loss1):10.8f}')
    loss.append(np.mean(loss1))

plt.plot(loss,'b',label='loss')
plt.xlabel('epochs')
plt.ylabel('loss value')
plt.legend()


loader1=data.DataLoader(dataset=test_,batch_size=len(test_))
model.eval()
for step,(test_x,test_y) in enumerate(loader1):
    test_x = test_x. view(seq_len,-1,9)
    test_y = test_y. view(seq_len,-1,2)
with torch.no_grad():
    
    test_pred=model(test_x)
    print(test_pred.size())
    single_loss=loss_function(test_pred,test_y)
print(f' loss:{single_loss.item():10.8f}')

test_pred=np.array(test_pred.view(len(test_),2).tolist())
test_y_real=scalar_y.inverse_transform(test_pred)


plt.plot(df_test_y['target_veh'].reset_index(drop=True),'r',label='test')
plt.plot(test_y_real[:,0],'b',label='pred')
plt.legend()
plt.show()

plt.plot(df_test_y['target_speed'].reset_index(drop=True),'r',label='test')
plt.plot(test_y_real[:,1],'b',label='pred')
plt.legend()
plt.show()
基于pytorch的LSTM模型训练与预测(附源码) 关于这个模型的基本概念可以查看这篇文章,写得很详细,我觉得能大概看明白反向传递各个部分的推导就行了。 阅读详情

相关推荐

手把手复现SimVP:从零搭建你的第一个视频预测模型(含PyTorch代码详解)

本文详细介绍了如何从零开始复现SimVP视频预测模型,包括环境配置、数据准备、模型架构解析及训练策略。SimVP作为轻量级时空序列预测模型,仅用CNN就实现了高效视频预测,适合开发者和学生快速上手。文章还提供了PyTorch代码详解和实用调参技巧,帮助读者掌握视频预测核心技术。

weixin_30431923的博客 319

pytorch框架LSTM(RNN)实现预测

pytorch框架LSTM(RNN)实现预测,目标任务:根据现有数据,预测未来数据。

m0_53707852的博客 4798

PyTorch中实现多步长时间序列预测的几种方法总结

本文将总结几种在PyTorch中实现多步长时间序列预测的方法,并提供相应的源代码示例。通过合理地选择模型和优化算法,结合适当的方法,可以有效地应对多步长时间序列预测任务,并取得良好的预测效果。循环预测法是一种结合逐步预测和一次性预测的方法,它通过循环地使用模型预测下一个时间步的值,并将该值作为输入继续预测下一个时间步的值,以此类推。逐步预测法是一种简单但有效的方法,它通过逐步地预测下一个时间步的值来实现多步长时间序列预测。一次性预测法是另一种常用的方法,它直接通过模型一次性地预测未来多个时间步的值。

AvGroovy的博客 584

【机器学习项目】使用 PyTorch 预测汽车价格(详细报告+代码详解)

本实验旨在使用PyTorch构建一个预测汽车价格的模型。通过训练一个深度神经网络模型,我们可以利用汽车的各种特征(如品牌、型号、年份、里程数等)来预测汽车的价格。这将为汽车制造商和消费者提供一个有价值的工具,帮助他们做出更准确的定价和购买决策。

m0_51118916的博客 5699

股票价格预测 | Python实现基于LSTM与Transfomer的股票预测模型(pytorch)

股票价格预测 | Python实现基于LSTM与Transfomer的股票预测模型(pytorch)

算法如诗的博客 2011

Transformer预测 | 基于WTC+transformer时间序列组合预测模型(pytorch)

Transformer预测 | 基于WTC+transformer时间序列组合预测模型(pytorch)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 1523

如何快速上手PyTorch Forecasting:5分钟构建你的第一个预测模型

时间序列预测是数据科学和机器学习领域的重要应用场景,而PyTorch Forecasting正是为此而生的强大工具包。这个基于PyTorch的开源库专门为时间序列预测设计,提供了最先进的深度学习架构和简单易用的API接口,让预测模型构建变得前所未有的简单。 ## 🚀 快速安装指南 PyTorch Forecasting的安装非常简单,只需一条命令: ```bash pip install

gitblog_00812的博客 743

时序预测 | 基于WTC+transformer时间序列组合预测模型(pytorch)

时序预测 | 基于WTC+transformer时间序列组合预测模型(pytorch)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 1909

用Pytorch搭建一个房价预测模型

在此项目中,目的是预测爱荷华州Ames的房价,给定81个特征,描述了房子、面积、土地、基础设施、公共设施等。埃姆斯数据集具有分类和连续特征的良好组合,大小适中,也许最重要的是,它不像其他类似的数据集(如波士顿住房)那样存在潜在的红线或数据输入问题。在这里我将主要讨论PyTorch建模的相关方面,作为一点额外的内容,我还将演示PyTorch中开发的模型的神经元重要性。你可以在PyTorch中尝试不同的网络架构或模型类型。本项目中的重点是方法论,而不是详尽地寻找最佳解决方案。'''

方见华 8027

U2Net网络实战:从原理到代码实现(附背景去除应用)

本文深入解析了U2Net网络的原理与代码实现,重点剖析了其独特的嵌套U型结构(RSU模块)和显著图融合机制。通过实战演示,指导读者如何加载预训练模型并应用于精准的图像背景去除任务,为电商、摄影等领域提供高效的自动化抠图解决方案。

nn3456的博客 491

借助OSS搭建在线教育视频课程分享网站-阿里云的课程体验和记录

阿里云的《搭建在线教育网站》免费课程里面讲的啥,我点进去看了看

LegendNoTitle的博客 3024

推荐使用:ConvLSTM-PyTorch - 革新的视频预测模型

推荐使用:ConvLSTM-PyTorch - 革新的视频预测模型 项目介绍 ConvLSTM-PyTorch 是一个基于 PyTorch 的强大库,它实现了卷积长短期记忆(ConvLSTM)和卷积门控循环单元(ConvGRU)的细胞结构。这个项目灵感来源于论文 "Convolutional LSTM Network: A Machine Learning Approach for Pr...

gitblog_00006的博客 1765

HALCON基于描述符的模板匹配(未标定)

HALCON基于不标定描述符的模板匹配

king_linj的博客 893

PyTorch-CUDA镜像支持电力负荷预测模型

本文介绍如何利用PyTorch与CUDA集成的Docker镜像实现高效的电力负荷预测模型训练。通过统一环境、GPU加速和多卡并行,解决传统部署中的兼容性与性能瓶颈,提升模型可复现性和生产部署效率。

weixin_32312889的博客 614

爬虫小例--爬药监局(上)

”明月如霜,好风如水,清景无限 “ 文远最近也算是爬虫入门吧,相信后面会慢慢熟悉。 壹 直接上例子,爬取药监局的数据。目的是得到每家公司的详情数据,例: 具体网址:http://scxk.nmpa.gov.cn:81/xk/ 这是主页,下面详情信息: 贰 分析,通过网页检查发现,主网页上没有公司相关数据,观察XHR中的Ajax请求发现,公司信息都是动态数据(方便更新),点击发现每个公司 的详情信息通过ID号这个参数区别,那么可以确定思路是先得到每个公司的ID号,然后在通过ID对应每一个详细网站,同样右键

john_ashley的博客 4558

Quartus II 13.0安装避坑指南:从下载到破解的完整流程(附常见错误解决方案)

本文提供Quartus II 13.0软件的详细安装与破解指南,涵盖从下载准备、路径设置、主程序安装到授权配置的全流程。重点解析了破解过程中生成和修改license.dat文件的核心步骤,并针对“无法找到有效的License文件”等常见错误提供了实用的解决方案,帮助用户快速构建稳定的FPGA开发环境。

weixin_29291863的博客 764

基于PyTorch的农作物病虫害预测模型部署实战

通过基于PyTorch的深度学习模型,我们成功构建了一个用于农作物病虫害预测的系统,且模型的预测精度和效率得到了显著提升。随着技术的不断进步,未来我们可以通过更多的创新手段来优化模型,提升预测效果。例如,我们可以结合遥感技术和大数据分析,获取更全面的农业环境数据,进一步提升模型的准确性。此外,随着硬件设备的不断升级,模型的实时预测能力和应用范围将更加广泛。未来,农作物病虫害预测系统将不仅限于实验室的研究,而是走向更广泛的应用场景。

Dan360712844的博客 542

平面变压器PCB绕组设计实战:从原理到布局的工程考量

本文深入探讨了平面变压器PCB绕组设计的工程实践,从基础原理到布局优化,涵盖了电流密度、层间绝缘、绕组拓扑结构等关键参数。通过实战案例分享,解析了高频应用中的集肤效应、邻近效应等挑战,并提供了热管理和EMC优化的实用技巧,助力工程师在服务器电源、车载充电器等空间敏感场景实现高效设计。

weixin_42666036的博客 463

OpenChem快速开始:5分钟搭建你的第一个分子属性预测模型 [特殊字符]

OpenChem是一个基于PyTorch的深度学习工具包,专为计算化学和药物设计研究而设计。这个强大的工具让研究人员能够轻松构建和训练分子属性预测模型,无需编写大量代码。今天,我将带你快速上手OpenChem,在短短5分钟内搭建你的第一个分子属性预测模型! ## 为什么选择OpenChem? ✨ OpenChem的设计理念是让深度学习模型成为计算化学和药物设计研究的易用工具。它具有以下核心优势

gitblog_00671的博客 669

电源芯片MPQ3431A

MPQ3431A是一款具有宽输入范围的固定频率为450kHz的高度集成的升压转换器,其输入电压低至2.7V,采用恒定关断时间(COT)的控制拓扑,可提供快速的瞬态响应。芯片支持通过MODE管脚配置PSM(pulse-skip mode)、FCCM(forced continuous conduction mode)和USM(ultrasonic mode);还支持通过电流限制配置来达到精确的过流保护;同时芯片欠压保护(UVLO)和过温保护(OTP)。MPQ3431A采用QFN-13(3mmx4mm)封装。保

qflook的博客 1563

ArcGIS与地理加权回归GWR【一】

因此,在实际问题研究中我们经常发现回归参数在不同地理位置上往往表现为不同,也就是说回归参数随地理位置变化,这时如果仍然采用全局空间回归模型(全局假设β是不会变得),得到的回归参数估计将是回归参数在整个研究区域内的平均值,如上所说某一个因素在ABC等不同的地理位置对房价的影响是不同的,假如采用全局空间回归模型,便忽略了数据的空间位置属性,只反映平均意义下因变量与自变量的相关关系,而不能有效反映回归关系的空间非平稳性的特征。当自变量为1个时,是一元线性回归,自变量为2个及以上时,称为多元线性回归。

JData_Engineer的博客 1377

【预测模型】基于LSTM神经网络的股票预测附Python+pytorch代码

股票市场以其高收益性与高风险性并存的特点,长期以来吸引着大量投资者。然而,股票价格的波动受到多种复杂因素的影响,如宏观经济形势、行业发展趋势、公司盈利能力、投资者情绪以及突发事件等。传统的预测方法往往难以捕捉这些因素之间的非线性关系,导致预测精度较低。近年来,深度学习技术在处理时间序列数据方面展现出强大的能力。

qq_72962865的博客 1566

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

CShells 启动健壮性加固实战解析:端点重复注册去重与 WebRoutingShellResolver 构造消歧(Elsa 多 Shell 主机篇)

本文基于仓库中的 [cshells-changes-summary.md](https://link.gitcode.com/i/ce37d488a23c8f5094ae204456038b65) 工程日志,深入剖析 Elsa 所依赖的 CShells 壳(Shell)平台在启动期修复的两类运行时问题:**启动阶段端点重复注册** 与 **`WebRoutingShellResolver` 构造歧

gitblog_00156的博客 710

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

dbskill 微信公众号 HTML 生成实战:Markdown 转微信后台粘贴版 HTML 的兼容性规则与 15 种风格库

**导读**:`dbs-wechat-html` 是 dbskill 商业工具箱中的发布排版工具,负责把已定稿的 Markdown 文稿转换成可粘贴到微信公众号后台的 HTML,不改写观点、不做内容诊断、不润色文案,只做发布排版。本文基于 [skills/dbs-wechat-html/SKILL.md](https://link.gitcode.com/i/83c9ae363bbf899ef57

gitblog_00975的博客 1138

基于 PyTorch 的权限授权时间预测模型

通过本文的介绍,我们展示了如何使用 PyTorch 构建一个权限授权时间预测模型,并结合因果分析探索权限操作与授权时间之间的因果关系。

wjylovewjy的博客 1141

10个PyTorch Geometric Temporal最佳实践:提升时空预测模型性能

PyTorch Geometric Temporal是一个专为时空信号处理设计的神经网络库,它基于PyTorch Geometric构建,提供了丰富的时空图神经网络模型和数据集。本文将分享10个实用的最佳实践,帮助你充分利用这个强大工具,构建更准确、更高效的时空预测模型。 [![PyTorch Geometric Temporal Logo](https://raw.gitcode.com/gh

gitblog_00776的博客 432
下一篇: 【如何用高德API爬取经纬度之间的驾车距离】
落在_
博客等级 码龄7年 25粉丝 3原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值