streamlit实现DNN回归低代码页面

上篇文章简单的介绍了streamlit的用法,本文将实战DNN回归的用法，后面会更新深度学习的其他算法。

页面效果

本次主要是实现在本地启动一个网页，在页面中上传数据集，并选择自变量和标签值，设置各种超参数实现DNN回归算法，最后将Loss值展示出来。如下：

动态效果如下：

实现过程

2.1 主体代码

DNN主体代码实现我们在前面有过说明，跳转

这里不过多的讲解，只是为了后面方便扩展和部署，将代码进行了封装和分配。
格式如下：
全部代码在GIt

2.2 streamlit代码讲解

启动网页的第一个页面是

一个上传数据的功能，这里目前仅支持csv，后面会做扩展

# 1、上传 文件
excel_file = st.file_uploader('上传CSV文件:', type='csv', key = "up_one")
if excel_file is not None:
    data = files_read_excel(excel_file)
    st.write("数据量: ", len(data))

st.file_uploader是用来上传文件的函数，type指定上传文件的类型，key可以认为是当前上传文件这个功能的一个ID，streamlit不允许同一类型的功能键重复，所以需要ID进行区分‘

如果同一功能出现多次会报错，大家可以自己试一下；所以在简单的页面上进行设置时，只设定不同的key值就可以了；但是如果在for循环中，就算设置了key也是不行的，还需要加上random函数这种才行，因为for循环运行时key还是会重复

上传完数据后需要选择自变量和标签值

col_options = [""] + list(data.columns)
selected_X = st.multiselect('请选择自变量字段:',col_options, key = "seld_two")
st.write(selected_X)
options_y = [item for item in col_options if item not in selected_X]
selected_y = st.selectbox(
        "请选择标签值", options_y, key = "seld_three"
    )

st.multiselect是多选框，第一个参数是展示的当前功能的说明文字，第二个参数是可选的内容，我们这里是将data的列全部写在这里，如下图；标签值的选择是将全部字段去除自变量后的内容，但是y值一般是单选的，所以使用st.selectbox。


变量选择完成后，页面将会展示模型训练的各种超参数：

 # Train ratio slider
    train_ratio = st.sidebar.slider('训练集比例', 0.1, 0.9, 0.8)

    # Batch size slider
    batch_size = st.sidebar.slider('批量大小', 1, 100, 32)

    # Learning rate slider
    learning_rate = st.sidebar.slider('学习率', 0.001, 0.1, 0.01)

    # Epochs slider
    epochs = st.sidebar.slider('Epochs', 10, 500, 100)

    # Hidden layers and neurons input
    num_hidden_layers = st.sidebar.slider('隐藏层层数', 1, 5, 2)

主要函数是st.sidebar.slider
sidebar是指将参数展示在左侧的边栏，因为是全局的参数所以在边栏更适合一点；去掉sidebar就是展示在中间的主区域。
st.sidebar.slider第一个参数是展示的功能说明文字；接下来是当前可选的最大值和最小值，最后一个参数是默认展示的值。

最后设置了一个按钮

 create_button = st.button("开始训练")

点击开始训练开始按照epochs进行训练，并把每一个epochs训练的loss动态在折线图上展现出来，这个原理跟上篇文章介绍是一样的
训练过程如下：

done

持续更新

全部代码