轻松上手：PyTorch 预测书店销售趋势

掘金安东尼

发布于 2024-01-27 09:58:41

2290

发布于 2024-01-27 09:58:41

文章被收录于专栏：掘金安东尼

P1

让我们先来设一个场景：

你拥有一个书店，现在你要统计书店每天卖了多少本书，你可能写一个简单的列表来记录：

[45、55、30]

过了一段时间后，你还想分类记录每天不同类型的书销量如何，你可能记录如下：

	小说	科学	艺术
第一天	10	20	30
第二天	15	25	35
第三天	5	10	15

又过了一段时间，除了销量外，你还想进一步记录每天各阶段每个类型书的访客数、以及带来的收，这样表格记录就变得更加复杂了：

时间\数据		销量			访客数			收入
	小说	科学	艺术	小说	科学	艺术	小说	科学	艺术
早上	10	20	30	15	25	35	100	200	300
中午	12	22	32	18	28	38	120	220	320
晚上	8	18	28	13	23	33	80	180	280

基于第一种场景，我们可以通过销量来预测未来门店书籍的销量；

基于第二种场景，我们可以根据不同书籍的销量对比，来对不同类型书籍作库存的管理和需求设计；

基于第三种场景，我们则能构建更多、更复杂的预测模型，比如：

预测未来特定时间段某类型书的销售量/访客数/收入；
分析不同类型的书是如何影响整体销售指标的；
识别不同消费群体的购买习惯；
根据销售数据向消费者推荐书籍；

是否还有更复杂的“表”、更复杂的统计场景呢？？

当然，还能增加额外的维度：不同地区的书店、再细化书的类别、细化时间维度等等。

信息量太大了，以至于一般的计算可能无法满足了，这时，就需要用到 “深度学习”！！

其中，用来计算这些信息量的深度框架就是本篇的主角 —— PyTorch ~

P2

直接上手，不多BB ~~

查一下之前装的：Python，没问题，通过 pip 安装 torchvision

运行：

from __future__ import print_function
import torch
x= torch.rand(5,3)
print(x)

上述代码先导入PyTorch库，然后创建了一个5行3列的张量（或者称作矩阵）。

基于上述书店卖书的例子，举一个实践示例：

假设我们有过去五天每种书籍（小说、科学、艺术）的销售收入数据，现在将尝试预测第六天的总收入。

import torch
import torch.nn as nn
import torch.optim as optim

# 假设的历史销售数据（每天的收入：小说，科学，艺术）
past_sales_data = torch.tensor([
    [100, 200, 300],
    [110, 210, 310],
    [120, 220, 320],
    [130, 230, 330],
    [140, 240, 340],
], dtype=torch.float32)

# 标准化输入数据
mean = past_sales_data.mean(dim=0)
std = past_sales_data.std(dim=0)
normalized_sales_data = (past_sales_data - mean) / std

# 总收入（每天的总和）
total_income = past_sales_data.sum(axis=1)

# 标准化输出数据
mean_total_income = total_income.mean()
std_total_income = total_income.std()
normalized_total_income = (total_income - mean_total_income) / std_total_income

# 构建一个简单的线性模型
model = nn.Linear(3, 1)

# 损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
epochs = 1000
for epoch in range(epochs):
    # 预测
    predictions = model(normalized_sales_data)

    # 计算损失
    loss = criterion(predictions, normalized_total_income.unsqueeze(1))

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 使用模型进行预测
# 假设第六天的销售数据
day_6_sales = torch.tensor([150, 250, 350], dtype=torch.float32)
# 对新数据进行与训练数据相同的标准化处理
normalized_day_6_sales = (day_6_sales - mean) / std
predicted_income_normalized = model(normalized_day_6_sales.unsqueeze(0))

# 反标准化预测结果以得到实际预测收入
predicted_income = predicted_income_normalized.item() * std_total_income + mean_total_income
print(f"预测的第六天总收入: {predicted_income:.2f}元")

运行结果：