分析下爆错的原因：
KeyError: "None of [Index(['Survived'], dtype='object')] are in the [columns]"

KeyError:“没有[Index([‘幸存’]，dtype=‘object’)]在[列]中”

也就是下面这条的问题

难到dftest_raw中不包含"Survived"？我们检查一下dftest_raw的数据表，好像真的不包括"Survived"栏。

再观察一下训练数据，里面包含"Survived"栏，我们试着修改一下代码。此刻，我在想难道是我的数据集有错，最后我查阅了很多的资料，发现，测试数据和训练数据的特征确实存在差异，所以文档作者这么写代码，我怀疑数据集是做了略微的改动的（如有误请谅解 ）
GitHub：https://github.com/HumbertoSubiza/Titanic/blob/master/test.csv

文档的输出结果是：

x_train.shape = (712, 15)
x_test.shape = (179, 15)
y_train.shape = (712, 1)
y_test.shape = (179, 1)

可以看出，y_test.shape = (179, 1)，是一个一维数据，179*1的矩阵。y矩阵应该都是特征，所以只有一列数据。但是所以的标准Titanic数据集里面都不包含"Survived"。

后来我发现作者的数据集和网上开源的缺失不一样，还是用作者提供的吧。运行完结果和文档一样

上面已经完成了数据预处理工作

• 进一步使用DataLoader和TensorDataset封装成可以迭代的数据管道

dl_train = DataLoader(TensorDataset(torch.tensor(x_train).float(),torch.tensor(y_train).float()),
                     shuffle = True, batch_size = 8)
dl_valid = DataLoader(TensorDataset(torch.tensor(x_test).float(),torch.tensor(y_test).float()),
                     shuffle = False, batch_size = 8)

关于DataLoader和TensorDataset的解释：DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None)

DataLoader：__init__中的几个重要的输入

• TensorDataset：TensorDataset(data_tensor, target_tensor)

• data_tensor : 需要被封装的数据样本
• target_tensor : 需要被封装的数据标签

• 关于torch.tenor()

在Pytorch中，Tensor和tensor都用于生成新的张量

• torch.Tensor()是Python类，更明确的说，是默认张量类型torch.FloatTensor()的别名，torch.Tensor([1,2]) 会调用Tensor类的构造函数__init__，生成单精度浮点类型的张量。
• torch.tensor()仅仅是Python的函数
  torch.tensor(data, dtype=None, device=None, requires_grad=False)
  其中data可以是：list, tuple, array, scalar等类型。
  torch.tensor()可以从data中的数据部分做拷贝（而不是直接引用），根据原始数据类型生成相应的torch.LongTensor，torch.FloatTensor，torch.DoubleTensor。

代码解释：

使用DataLoader和TensorDataset封装成可以迭代的数据管道，训练数据设置shuffle = True，batch_size设置为8；同理，测试数据也同样的操作，先生成浮点数张量，在数据加载。

• 测试数据管道

for features,labels in dl_train:
    print(features,labels)
    break

运行后的结果，和文档一致

上面代码是测试生成的迭代数据管道，打印出来看。

二、🎉定义模型

使用Pytorch通常有三种方式构建模型：使用nn.Sequential按层顺序构建模型，继承nn.Module基类构建自定义模型，继承nn.Module基类构建模型并辅助应用模型容器进行封装。

此处选择使用最简单的nn.Sequential，按层顺序模型。

def create_net():		# 网络构建函数
    net = nn.Sequential()						# 按层顺序模型
    net.add_module("linear1",nn.Linear(15,20))		# 加入线性"linear1"模型
    net.add_module("relu1",nn.ReLU())				# 加入"relu1"，下同加入模型
    net.add_module("linear2",nn.Linear(20,15))
    net.add_module("relu2",nn.ReLU())
    net.add_module("linear3",nn.Linear(15,1))
    net.add_module("sigmoid",nn.Sigmoid())
    return net									# 返回构建好的网络模型，一个添加了6个函数模型
    
net = create_net()
print(net)

输出：

Sequential(
  (linear1): Linear(in_features=15, out_features=20, bias=True)
  (relu1): ReLU()
  (linear2): Linear(in_features=20, out_features=15, bias=True)
  (relu2): ReLU()
  (linear3): Linear(in_features=15, out_features=1, bias=True)
  (sigmoid): Sigmoid()
)

from torchkeras import summary
summary(net,input_shape=(15,))

可能在这里运行不了，需要安装库torchkeras，直接pip即可安装

• pip intall torchkeras

==这里安装遇到点小问题，就是库的搭配问题——版本不兼容，直接安装他要求的版本更新就是了==

提高一个安装指定版本的小技巧，以numpy为例子：

• pip install numpy==版本号

关于torchkeras的相关介绍：

• torchkeras 是在pytorch上实现的仿keras的高层次Model接口。有了它，你可以像Keras那样，对pytorch构建的模型进行summary，compile，fit，evaluate , predict五连击。一切都像行云流水般自然。听起来，torchkeras的功能非常强大。但实际上，它的实现非常简单，全部源代码不足300行。
• 了解过深度学习框架的都知道，Tensorflow是早期的主流框架，而后又出现了Keras,keras对Tensorflow进行了封装，使得搭建深度学模型的过程简化到了几个简单的步骤：summary、compile、fit、evaluate、 predict。Pytorch虽然比Tensorflow出现的晚，但是其在框架的实现方式上，更为优雅，可以很好的与Python的原生编程思维结合起来，因此越来越多的人开始转向Pytorch。开发的过程就是不断模块化的过程，Torchkeras便是这一原则下的产物，它将Pytorch进行了封装，使得利用Pytorch搭建深度学模型的过程也可以像Keras那样，并且非常的灵活。
• 有个开源的学习代码可以自行了解：https://github.com/lyhue1991/torchkeras

再来看，导入的库函数summary能够查看模型的输入和输出的形状，可以更加清楚地输出模型的结构。下面给出相关解释

torchsummary.summary(model, input_size, batch_size=-1, device="cuda")

功能：查看模型的信息，便于调试：

• model：pytorch 模型，必须继承自 nn.Module
• input_size：模型输入 size，形状为 C，H ，W
• batch_size：batch_size，默认为 -1，在展示模型每层输出的形状时显示的 batch_size
• device：“cuda"或者"cpu”

• 使用时需要注意，默认device=‘cuda’，如果是在‘cpu’，那么就需要更改。不匹配就会出现下面的错误：

RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

代码解读

导入torchkeras中的summary，可以实现对构建模型的输入输出形状查看，更为直观的观测输出模型的结构。

• summary(net,input_shape=(15,))，其中net为上级构建的网络模型，设置模型的输入

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Linear-1                   [-1, 20]             320
              ReLU-2                   [-1, 20]               0
            Linear-3                   [-1, 15]             315
              ReLU-4                   [-1, 15]               0
            Linear-5                    [-1, 1]              16
           Sigmoid-6                    [-1, 1]               0
================================================================
Total params: 651
Trainable params: 651
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.000057
Forward/backward pass size (MB): 0.000549
Params size (MB): 0.002483
Estimated Total Size (MB): 0.003090
----------------------------------------------------------------

Process finished with exit code 0

复现结果与文档结果一致~

从结果中，可以查看一共包含的层数和类型Layer (type)、Output Shape、Param #。以及一些输入缓存大小、反馈大小等，是在做模型训练中比较常用的操作。

三、🎉训练模型

Pytorch：通常需要用户编写自定义训练循环，训练循环的代码风格因人而异。

有==3类==典型的训练循环代码风格：脚本形式训练循环，函数形式训练循环，类形式训练循环。

此处介绍一种较通用的脚本形式。

from sklearn.metrics import accuracy_score

loss_func = nn.BCELoss()		# 构建损失函数
optimizer = torch.optim.Adam(params=net.parameters(),lr = 0.01)		# 优化器这里使用的是Adam,另外还有比如SGD、RMSProp等等
metric_func = lambda y_pred,y_true: accuracy_score(y_true.data.numpy(),y_pred.data.numpy()>0.5)		# 度量函数，这里利用分类准确率accuracy_score来实现
metric_name = "accuracy"

from sklearn.metrics import accuracy_score解读：

这里用到了 ：

• sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)
• 分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错的类型。
• ==normalize：默认值为True，返回正确分类的比例；如果为False，返回正确分类的样本数==

==举例==：

>>>import numpy as np
>>>from sklearn.metrics import accuracy_score
>>>y_pred = [0, 2, 1, 3]
>>>y_true = [0, 1, 2, 3]
>>>accuracy_score(y_true, y_pred)
0.5
>>>accuracy_score(y_true, y_pred, normalize=False)
2

• nn.BCELoss(). 这里讲的是默认对一个batch里面的数据做二元交叉熵并且求平均。
• torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='means')下面参数说明：

1. weight： 给每个batch元素的权重，一般没用
2. size_average: 默认为True
3. reduce: True/False 默认为True,对每个minibatch做
4. reduction: 用的比较多的是这个，若用了2.3可能导致4失效。

官方解释链接：https://pytorch.org/docs/stable/nn.html?highlight=bceloss#torch.nn.BCELoss

官方示例：

>>> m = nn.Sigmoid()
>>> loss = nn.BCELoss()
>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> output = loss(m(input), target)
>>> output.backward()

运行结果：

import torch.nn as nn
m = nn.Sigmoid()
loss = nn.BCELoss()
input = torch.randn(3, requires_grad=True)
input
Out[21]: tensor([-0.6212, -0.9684,  0.6923], requires_grad=True)
target = torch.empty(3)
target
Out[23]: tensor([-1.5901e-30,  4.5907e-41,  0.0000e+00])
target = target.random_(2)
target
Out[25]: tensor([1., 0., 1.])
output = loss(m(input), target)
output
Out[27]: tensor(0.5929, grad_fn=<BinaryCrossEntropyBackward>)

下面继续模型训练：

epochs = 10
log_step_freq = 30

dfhistory = pd.DataFrame(columns = ["epoch","loss",metric_name,"val_loss","val_"+metric_name]) 		# 记录输出当前的训练迭代次数和损失值
print("Start Training...")
nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')  	# 这里用到了最初的那个代码，获取当前时间
print("=========="*8 + "%s"%nowtime)

for epoch in range(1,epochs+1):  

    # 1，训练循环-------------------------------------------------
    net.train()
    loss_sum = 0.0
    metric_sum = 0.0
    step = 1
    
    for step, (features,labels) in enumerate(dl_train, 1):
    
        # 梯度清零
        optimizer.zero_grad()

        # 正向传播求损失
        predictions = net(features)
        loss = loss_func(predictions,labels)
        metric = metric_func(predictions,labels)
        
        # 反向传播求梯度
        loss.backward()
        optimizer.step()

        # 打印batch级别日志
        loss_sum += loss.item()
        metric_sum += metric.item()
        if step%log_step_freq == 0:   
            print(("[step = %d] loss: %.3f, "+metric_name+": %.3f") %
                  (step, loss_sum/step, metric_sum/step))
            
    # 2，验证循环-------------------------------------------------
    net.eval()
    val_loss_sum = 0.0
    val_metric_sum = 0.0
    val_step = 1

    for val_step, (features,labels) in enumerate(dl_valid, 1):
        # 关闭梯度计算
        with torch.no_grad():
            predictions = net(features)
            val_loss = loss_func(predictions,labels)
            val_metric = metric_func(predictions,labels)
        val_loss_sum += val_loss.item()
        val_metric_sum += val_metric.item()

    # 3，记录日志-------------------------------------------------
    info = (epoch, loss_sum/step, metric_sum/step, 
            val_loss_sum/val_step, val_metric_sum/val_step)
    dfhistory.loc[epoch-1] = info
    
    # 打印epoch级别日志
    print(("\nEPOCH = %d, loss = %.3f,"+ metric_name + \
          "  = %.3f, val_loss = %.3f, "+"val_"+ metric_name+" = %.3f") 
          %info)
    nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    print("\n"+"=========="*8 + "%s"%nowtime)
        
print('Finished Training...')

复现运行结果如下：

Start Training...
================================================================================2022-04-04 14:13:03
[step = 30] loss: 0.631, accuracy: 0.667
[step = 60] loss: 0.644, accuracy: 0.654

EPOCH = 1, loss = 0.629,accuracy  = 0.667, val_loss = 0.551, val_accuracy = 0.708

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.529, accuracy: 0.721
[step = 60] loss: 0.546, accuracy: 0.708

EPOCH = 2, loss = 0.567,accuracy  = 0.711, val_loss = 0.464, val_accuracy = 0.757

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.568, accuracy: 0.704
[step = 60] loss: 0.539, accuracy: 0.731

EPOCH = 3, loss = 0.546,accuracy  = 0.740, val_loss = 0.499, val_accuracy = 0.788

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.493, accuracy: 0.821
[step = 60] loss: 0.490, accuracy: 0.812

EPOCH = 4, loss = 0.508,accuracy  = 0.791, val_loss = 0.466, val_accuracy = 0.772

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.530, accuracy: 0.771
[step = 60] loss: 0.488, accuracy: 0.794

EPOCH = 5, loss = 0.475,accuracy  = 0.803, val_loss = 0.460, val_accuracy = 0.777

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.507, accuracy: 0.762
[step = 60] loss: 0.507, accuracy: 0.760

EPOCH = 6, loss = 0.499,accuracy  = 0.765, val_loss = 0.450, val_accuracy = 0.804

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.498, accuracy: 0.792
[step = 60] loss: 0.503, accuracy: 0.787

EPOCH = 7, loss = 0.497,accuracy  = 0.791, val_loss = 0.416, val_accuracy = 0.832

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.428, accuracy: 0.812
[step = 60] loss: 0.487, accuracy: 0.781

EPOCH = 8, loss = 0.475,accuracy  = 0.794, val_loss = 0.433, val_accuracy = 0.799

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.435, accuracy: 0.821
[step = 60] loss: 0.441, accuracy: 0.819

EPOCH = 9, loss = 0.458,accuracy  = 0.805, val_loss = 0.474, val_accuracy = 0.799

================================================================================2022-04-04 14:13:04
[step = 30] loss: 0.429, accuracy: 0.821
[step = 60] loss: 0.455, accuracy: 0.796

EPOCH = 10, loss = 0.443,accuracy  = 0.802, val_loss = 0.430, val_accuracy = 0.799

================================================================================2022-04-04 14:13:04
Finished Training...

Process finished with exit code 0

由于训练和硬件也有一定的关系，每次训练得到的结果也略有差异，这个不影响。

一共设定了10个Epoch迭代，通过迭代的结果来看，损失率loss越来越低，从0.629->0.443；准确率也越来越高，从0.667->0.802，可以自己尝试一下增加迭代次数，看看是否会随着迭代次数的增加loss会越来越低，准确率会越来越高，中间是否会陷入局部最优，如何找到一个全局最优解，这后面文档应该会考虑到的吧，哈哈哈，咱们后面继续学~

我尝试设置Epoch=50，得到的结果确实会提升一些，小伙伴们可以再尝试一下其他的。

模型训练，主要掌握好整个训练模型的搭建思路，循环迭代的写法，文档作者给出的是一种通用的写法，可以借鉴，当然如果有好的写法（一定会有）也可掌握下来哦~

四、🎉评估模型

我们首先评估一下模型在训练集和验证集上的效果。

下面输出Epoch=10的结果

print(dfhistory) 		# Epoch=10

输出结果：

   epoch      loss  accuracy  val_loss  val_accuracy
0    1.0  0.638417  0.662921  0.610701      0.730072
1    2.0  0.596947  0.675562  0.525235      0.713768
2    3.0  0.566752  0.733146  0.504490      0.777174
3    4.0  0.529242  0.766854  0.461202      0.777174
4    5.0  0.511466  0.785112  0.450230      0.771739
5    6.0  0.472861  0.793539  0.432059      0.820652
6    7.0  0.463463  0.786517  0.447174      0.793478
7    8.0  0.471010  0.794944  0.407182      0.788043
8    9.0  0.445191  0.800562  0.397194      0.793478
9   10.0  0.460264  0.792135  0.476356      0.815217

得到总体的迭代结果后，我们继续评估模型的性能，通过可视化操作实现

# %matplotlib inline
# %config InlineBackend.figure_format = 'svg'

import matplotlib.pyplot as plt

def plot_metric(dfhistory, metric):
    train_metrics = dfhistory[metric]
    val_metrics = dfhistory['val_'+metric]
    epochs = range(1, len(train_metrics) + 1)
    plt.plot(epochs, train_metrics, 'bo--')
    plt.plot(epochs, val_metrics, 'ro-')
    plt.title('Training and validation '+ metric)
    plt.xlabel("Epochs")
    plt.ylabel(metric)
    plt.legend(["train_"+metric, 'val_'+metric])
    plt.show()

输出可视化结果：

plot_metric(dfhistory,"loss")		# 显示损失率的图，包含单个训练损失值和验证集损失值

下面输出准确率的评估图

plot_metric(dfhistory,"accuracy")		# 包含单个迭代的训练准确率和验证集准确率

从结果来看，验证集的和训练集的结果还是很相似的，跟踪能力及模型的性能还是很好的，在迭代8-10次的时候有一些偏差，但是当迭代次数增加后，准确率会越来越高。
下图是Epoch=100的结果：

五、🎉使用模型

通常模型训练好之后，我们一般会用来对一些数据做线性回归、预测、分类、聚类等等操作。

文档中展示了预测的使用：

• 预测概率

#预测概率
y_pred_probs = net(torch.tensor(x_test[0:10]).float()).data
print(y_pred_probs)

复现结果：

tensor([[0.2621],
        [0.5652],
        [0.3578],
        [0.8538],
        [0.4866],
        [0.8762],
        [0.2579],
        [0.8862],
        [0.5002],
        [0.2572]])

计算出了Epoch=10次，每一次的预测概率。

• 预测类别

tensor([[0.],
        [0.],
        [0.],
        [1.],
        [1.],
        [1.],
        [0.],
        [1.],
        [1.],
        [0.]])

从结果来看，一共是分成了两个类别，即0和1.

六、🎉保存模型

Pytorch 有两种保存模型的方式，都是通过调用pickle序列化方法实现的。

第一种方法只保存模型参数。

第二种方法保存完整模型。

推荐使用第一种，第二种方法可能在切换设备和目录的时候出现各种问题。

1.保存模型参数(推荐)

print(net.state_dict().keys())

输出结果：

odict_keys(['linear1.weight', 'linear1.bias', 'linear2.weight', 'linear2.bias', 'linear3.weight', 'linear3.bias'])

# 保存模型参数

torch.save(net.state_dict(), "./data/net_parameter.pkl")

net_clone = create_net()
net_clone.load_state_dict(torch.load("./data/net_parameter.pkl"))

print(net_clone.forward(torch.tensor(x_test[0:10]).float()).data)

保存的张量结果（模型参数）：

tensor([[0.3254],
        [0.6190],
        [0.3080],
        [0.6386],
        [0.5521],
        [0.9183],
        [0.1427],
        [0.7988],
        [0.5306],
        [0.1392]])

2. 保存完整模型(不推荐)

# 法2
torch.save(net, './data/net_model.pkl')
net_loaded = torch.load('./data/net_model.pkl')
print(net_loaded(torch.tensor(x_test[0:10]).float()).data)

保存的张量结果（模型参数）和上面一致结果：

tensor([[0.3254],
        [0.6190],
        [0.3080],
        [0.6386],
        [0.5521],
        [0.9183],
        [0.1427],
        [0.7988],
        [0.5306],
        [0.1392]])

🥇总结

从结构化数据建模的流程开始学习，按照准备数据、定义模型、训练模型、评估模型、使用模型、保存模型这六大常规思路，简单数据集入手，对于0基础的同学来说可能还是稍有难度，因此，本文中给出了大部分使用到的库的解释，同时给出了部分代码的注释，以便小伙伴的理解，仅供参考，如有错误，请留言指出，最后一句：开源万岁~

同时为原作者打Call：

如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star⭐️，并分享给你的朋友们喔😊!

地址在这里哦：https://github.com/lyhue1991/eat_pytorch_in_20_days

😊Reference

• https://github.com/lyhue1991/eat_pytorch_in_20_days
• https://blog.csdn.net/tfcy694/article/details/85338745
• https://www.cnblogs.com/gshang/p/13544553.html
• https://cloud.tencent.com/developer/article/1664838
• https://github.com/lyhue1991/torchkeras
• https://blog.csdn.net/u011630575/article/details/79645814
• https://pytorch.org/docs/stable/nn.html?highlight=bceloss#torch.nn.BCELoss
• https://blog.csdn.net/weixin_43914889/article/details/104664945