药学数据模型构建1--FNN

构建一个简单 FNN 模型，通过加深模型深度、更改训练数据比例、调整训练参数等对比模型预测效果。

	class FNNModel(nn.Module):
	def __init__(self, input_size, output_size, seq_length):
	super(FNNModel, self).__init__()
	self.nn1 = torch.nn.Sequential(
	nn.Linear(input_size*seq_length, output_size)
	)
	self.nn3 = torch.nn.Sequential(
	nn.Linear(input_size*seq_length, 128),
	torch.nn.ReLU(),
	nn.Linear(128, 64),
	torch.nn.ReLU(),
	nn.Linear(64, output_size)
	)
	self.nn4 = torch.nn.Sequential(
	nn.Linear(input_size*seq_length, 128),
	torch.nn.ReLU(),
	nn.Linear(128, 256),
	torch.nn.ReLU(),
	nn.Linear(256, 128),
	torch.nn.ReLU(),
	nn.Linear(128, output_size)
	)
	self.nn5 = torch.nn.Sequential(
	nn.Linear(input_size*seq_length, 128),
	torch.nn.ReLU(),
	nn.Linear(128, 256),
	torch.nn.ReLU(),
	nn.Linear(256, 128),
	torch.nn.ReLU(),
	nn.Linear(128, 64),
	torch.nn.ReLU(),
	nn.Linear(64, output_size)
	)

	def forward(self, x, option=1):
	# x(batch_size, seq_len, input_size)
	x = x.view(x.shape[0], -1)
	# x(batch_size, seq_len * input_size)
	if option == 1:
	x = self.nn1(x)
	elif option == 3:
	x = self.nn3(x)
	elif option == 4:
	x = self.nn4(x)
	elif option == 5:
	x = self.nn5(x)
	else:
	raise ValueError("option 输入不合法")
	return x

# 改变模型深度

只改变模型深度，加深 Linear 层，从 1 层加深到 5 层，对比查看测试图片效果。

层数	活性数据 1	活性数据 2	色谱数据
1
3
4
5

🚩 加深网络模型，会发现该模型预测会越来越符合我们的要求，也就是离峰值越来越远，有助于我们检测峰值，并将其归类为异常值。因此我们接下来要以 5 层深度继续探讨改动其他参数的影响。

# 调整训练参数

修改的是 seq_length 长度

长度	活性数据 1	活性数据 2	色谱数据
7
9
11
15

🚩 增加 seq_length 长度，对活性数据影响不大，但对色谱数据有略微影响，尤其将 seq_length 长度增加到 15，出现了严重反方向预测，偏离了数据趋势增长方向。因此，我们将 seq_length 长度定义为 9，来继续探讨其他情况的影响。

# 改变训练数据比例

只改变训练数据比例，5%，10%，15%，20% 的训练数据

各个比例数据分配情况如下图所示，红色之前的为前 5% 数据，蓝色之前的为前 10% 数据，黄色之前的为前 15% 数据，黑色之前的数据为 20% 数据。

训练比例图像

其中还有 10% 的验证集，用来筛选模型，10% 的验证集在训练数据后面。

根据不同比例训练得到的结果图像如下所示：

比例	活性数据 1	活性数据 2	色谱数据
5
10
15
20

结合有效数据和上述预测图像分析，我们确定训练比例为原始数据的 5%

Time-Series Pytorch FNN