内容简介：PyTorch 学习：线性回归
简单的一个机器学习应用到日常的游戏运维工作：通过游戏的在线人数来预测游戏服的 CPU 利用率。
首先从 bosun 获取数据，在线人数和对应的 CPU 利用率，注意归一化：
import json
import requests
online_payload = 'q("sum:2m-avg:application.game.online{node=xxx}", "25h", "1h")'
cpu_payload = 'q("sum:2m-avg:rate{counter,,1}:linux.proc.cpu{name=xxx}", "25h", "1h")'
def get_data(payload):
resp = requests.post('http://BosunServer:8070/api/expr?date=&time=', data=payload)
js = json.loads(resp.text)
values = js['Results'][0]['Value']
max_ = max([values[k] for k in values.keys()]),
return [[values[k]] for k in sorted(values.keys())], max_
X, maxX = get_data(online_payload)
Y, maxY = get_data(cpu_payload)
trainX = [[float(x[0])/maxX[0]] for x in X]
trainY = [[float(y[0])/maxY[0]] for y in Y]
len(X), len(Y), maxX, maxY
然后转成 Variable
import matplotlib.pyplot as plt plt.rcParams['figure.figsize'] = (12,12) import torch from torch.autograd import Variable import torch.nn.functional as F x_data = Variable(torch.Tensor(trainX)) y_data = Variable(torch.Tensor(trainY))
搭模型：
class NET(torch.nn.Module):
def __init__(self):
super(NET, self).__init__()
self.hidden = torch.nn.Linear(1, 10)
self.predict = torch.nn.Linear(10, 1)
def forward(self, x):
out = F.relu(self.hidden(x))
out = self.predict(out)
return out
net = NET()
简单的两层线性层：
NET ( (hidden): Linear (1 -> 10) (predict): Linear (10 -> 1) )
损失函数 和 优化器：
criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
训练喽：
for epoch in range(100):
y_pred = net(x_data)
loss = criterion(y_pred, y_data)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if epoch % 10 == 0:
plt.subplot(5, 2, (epoch/10)+1)
plt.scatter(x_data.data.numpy(), y_data.data.numpy())
plt.plot(x_data.data.numpy(), y_pred.data.numpy(), 'r-', lw=5)
plt.text(0.5, 0, 'Loss=%.4f' % loss.data[0], fontdict={'size': 10, 'color': 'red'}, position=(0.5, 0.5))
if loss.data[0] < 0.0015:
break
可以看到，loss 逐渐减少，预测曲线逐渐拟合到真实的数据上。
好了，可以用来预测新数据了，因为之前归一化了，所以要注意还原：
def pred_cpu(online):
cpu_pred = net(Variable(torch.Tensor([[float(online)/maxX[0]]])))
return cpu_pred.data[0][0]*maxY[0]
pred_cpu(300)
输出：52.789943492412576，对比监控图上的值 52.53 ，还是挺准确的。
保存：
torch.save(net, 'game_online_and_cpu_model')
# 下次加载：
# net2 = torch.load('game_online_and_cpu_model')
应用场景？
主要是通过在线人数，来判断当前 CPU 利用率是否在符合统计学的范围内。额，好像用处不太大，其实主要是用来学习 PyTorch 。。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
