如何创建适配不同尺寸数据的Sklearn风格神经网络类（含fit/predict）

核心问题分析 #

• 报错原因：原网络第一层输入维度硬编码为2，但你的训练/测试数据包含49个特征，导致矩阵乘法维度不匹配。
• 关于测试数据的担忧：只要训练和测试数据的特征列数一致（均为49），将网络输入层调整为对应维度后，测试数据完全可以正常预测，不存在适配问题。

修改后的可适配神经网络类 #

修改点：

• 允许初始化时指定输入特征维度input_dim，动态构建输入层
• 修复梯度更新顺序错误（原代码先反向传播再清零梯度，会导致参数更新异常）
• 完善输入处理逻辑，自动兼容pandas DataFrame/Series和numpy数组输入
• 新增训练/评估模式切换，优化预测时的梯度计算逻辑

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd

class MyNeuralNet(nn.Module):
    def __init__(self, input_dim, hidden_dim=4):
        super().__init__()
        # 动态适配输入特征维度
        self.layer1 = nn.Linear(input_dim, hidden_dim, bias=True)
        self.layer2 = nn.Linear(hidden_dim, 1, bias=True)
        self.loss = nn.MSELoss()
        self.compile_()

    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        return x.squeeze()

    def fit(self, x, y, epochs=100):
        # 统一处理输入转tensor
        if isinstance(x, pd.DataFrame):
            x = torch.tensor(x.values, dtype=torch.float32)
        else:
            x = torch.tensor(x, dtype=torch.float32)
        
        if isinstance(y, (pd.DataFrame, pd.Series)):
            y = torch.tensor(y.values, dtype=torch.float32)
        else:
            y = torch.tensor(y, dtype=torch.float32)
        
        losses = []
        for epoch in range(epochs):
            self.train()
            # 梯度更新正确流程：清零→前向→损失→反向→更新
            self.opt.zero_grad()
            res = self.forward(x)
            loss_value = self.loss(res, y)
            loss_value.backward()
            self.opt.step()
            
            losses.append(loss_value.item())
        return losses  # 返回损失列表方便监控训练过程

    def compile_(self, optimizer=optim.SGD, lr=0.01):
        # 支持自定义优化器和学习率
        self.opt = optimizer(self.parameters(), lr=lr)
       
    def predict(self, x_test):
        self.eval()
        # 统一处理输入转tensor
        if isinstance(x_test, pd.DataFrame):
            x_test = torch.tensor(x_test.values, dtype=torch.float32)
        else:
            x_test = torch.tensor(x_test, dtype=torch.float32)
        
        with torch.no_grad():  # 评估阶段关闭梯度计算，提升效率
            y_test_hat = self(x_test)
        return y_test_hat.detach().numpy()

使用示例 #

# 初始化模型时传入特征列数49
model = MyNeuralNet(input_dim=49)
X_train = # pandas DataFrame，1168行49列
y_train = # pandas DataFrame/Series，1168行1列
X_test = # pandas DataFrame，292行49列

# 训练模型，可自定义训练轮数
losses = model.fit(X_train, y_train, epochs=150)
# 生成预测结果
pred = model.predict(X_test)
print(pred)

额外说明 #

• 网络的输入层只关注特征列数，与样本行数无关，因此1168行的训练数据和292行的测试数据都能正常处理（行数对应批量大小，不影响维度匹配）。
• train()和eval()方法用于切换网络模式，若后续添加Dropout、BatchNorm等层时，能保证训练和评估时的行为正确。

内容的提问来源于stack exchange，提问作者leyjfk6