如何解决Pytorch神经网络训练欠拟合问题：工厂功耗预测案例

核心根因（优先级最高） #

你当前的问题90%以上来自数据读取逻辑完全错误：

• 你提到CSV每行是1天的样本，前7列为当日特征、最后1列为当日电力消耗，即数据维度为 360行 * 8列
• 但代码里你用 iloc[0:7, 1:301] 取前7行、300列数据，之后再转置，相当于把「7个特征的时间序列值」当成了样本，完全颠倒了样本和特征的维度，模型根本无法学到特征和标签的对应关系，最终只能输出接近标签均值的固定值，也就是你看到的直线。

次高优先级问题 #

无特征归一化/标准化 #

7项日常运行特征的量纲、数值范围差异极大（比如温度是0~40的量级，产量可能是上万的量级），不做归一化直接喂入模型，会导致梯度更新方向完全被数值大的特征主导，小数值特征的信号完全被淹没，模型无法学到有效规律。

模型容量与训练逻辑错误 #

• RNN隐藏层维度仅为3，模型容量极低，完全不足以拟合时序规律
• RNN训练时每个batch都重置hidden state，截断了时序依赖关系
• 线性模型使用SGD优化器的学习率0.0001过低，训练1000轮也无法完成有效收敛
• 测试时使用自回归预测（前一步的预测值作为下一步输入），误差持续累积，进一步放大了预测偏差

分步解决方案 #

第一步：修正数据读取逻辑 #

# 正确读取，每行是1个样本
all_features = initialData.iloc[:, :7].values
all_labels = initialData.iloc[:, 7].values.reshape(-1, 1)
# 拆分训练测试集
train_X, test_X = all_features[:300], all_features[300:]
train_y, test_y = all_labels[:300], all_labels[300:]

不需要做任何转置操作，确认训练集维度为 (300,7)、标签维度为 (300,1) 后再进行后续操作。

第二步：添加特征归一化 #

from sklearn.preprocessing import StandardScaler
# 只用训练集的统计量做归一化，避免数据泄露
x_scaler = StandardScaler()
y_scaler = StandardScaler()
train_X = x_scaler.fit_transform(train_X)
test_X = x_scaler.transform(test_X)
train_y = y_scaler.fit_transform(train_y)
test_y = y_scaler.transform(test_y)
# 预测完成后用y_scaler.inverse_transform()转回原单位即可

第三步：调优模型与训练参数 #

• 优先调通全连接模型：将优化器换成Adam，学习率设置为1e-3，隐藏层维度调整为64/128，先保证训练集Loss能持续下降到较低水平，确认模型具备拟合能力
• 若要使用时序模型：将RNN替换为LSTM，隐藏层维度调到32以上，序列长度设置为7~14天，batch size调到8~16，训练时仅在每个epoch开始时重置一次hidden state，测试时先用地真值特征做预测，确认模型有效后再尝试自回归预测。

内容的提问来源于stack exchange，提问作者non_address