Lieserl/CardinalityEstimation

Teamwork

        ### 准备工作

需要的包

1. 在该项目的根目录下，在 Pycharm 内置的终端中输入

pip install torch
pip install pytest
pip install matplotlib

注：请确保你已为该项目添加 Python 解释器，如果仍安装失败，可以将 pip 替换为 pip3

Cuda 的安装

1. 在 Nvidia 官网下载 Cuda 驱动程序，你可以直接在 Bing 中搜索 cuda download
2. 如果安装失败，查看当时页面中提示安装失败的项，重新安装时选择自定义安装，选择不安装之前安装失败的那一项

Pytorch Cuda 支持

1. 进入 Pytorch 官网，往下翻能看到 install pytorch，依次选择 Stable，Windows，Pip，Python，CUDA 12.1
2. Pytorch 会在选择完后紧接着提供对应的安装指令
3. 然后打开 Pycharm，在该项目的根目录下，在内置的终端中输入提供的指令，安装完成

测试

安装完成后可以在项目中使用

print(torch.cuda.is_available()) 

确定 Cuda 的支持状态

模型调参

你可以调节的超参数分为两部分：

1. 学习率，优化器，
2. 模型参数

学习率

可以将其理解为采样率。

1. 过高会欠拟合（对应采样率过低），可能错过当前最优答案，优点是可以在少次 epoch 中观察模型的初步收敛效果（虽然在本项目中没啥用）
2. 过低会过拟合（对应采样率过高），可能会导致模型生成的是对应训练集数据的特解。
3. 在 1e-5 ~ 1e-1 之内调

优化器

1. 目前使用的优化器为 Adam，你也可以尝试 SGD 等优化器
2. SGD 的有效范围远小于 Adam，但最终效果比 Adam 好

模型参数

1. 每层线性层的超参数，你可以在 learn_from_query 的 est_ai1 中找到

model1 = model.Model1(num_input=15, para_1=100, para_2=50, num_output=1)

你可以修改的是 para_1 和 para_2

2. 非线性激活函数，你可以在 model 中找到，可以查看官方文档进行调试或换用其他非线性激活函数

self.model = nn.Sequential(
    nn.Linear(num_input, para_1),
    nn.ReLU(),
    nn.Linear(para_1, para_2),
    nn.ReLU(),
    nn.Linear(para_2, num_output),
)

其中 nn.ReLU() 为非线性激活函数

3. 隐藏层层数，可以在 model.py 中修改，具体操作示例如下

def __init__(self, num_input, para_1, para_2, num_output):
    super(Model1, self).__init__()
    self.model = nn.Sequential(
        nn.Linear(num_input, para_1),
        nn.ReLU(),
        nn.Linear(para_1, para_2),
        nn.ReLU(),
        nn.Linear(para_2, num_output),
    )

将

nn.Linear(para_1, para_2),
nn.ReLU(),

复制并添加到最后一个 nn.Linear 上方，并新增 para_3 变量，如下所示

def __init__(self, num_input, para_1, para_2, para_3, num_output):
    super(Model1, self).__init__()
    self.model = nn.Sequential(
        nn.Linear(num_input, para_1),
        nn.ReLU(),
        nn.Linear(para_1, para_2),
        nn.ReLU(),
        nn.Linear(para_2, para_3),
        nn.ReLU(),
        nn.Linear(para_3, num_output),
    )

注意：上一层线性层的输出要和下一层线性层的输入一致 接着修改 learn_from_query 中模型初始化语句

# Before
model1 = model.Model1(num_input=15, para_1=100, para_2=50, num_output=1)

# After
model1 = model.Model1(num_input=15, para_1=100, para_2=50, para_3 = ?, num_output=1)