PT之DNN：基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例

最新推荐文章于 2024-09-16 19:52:18 发布

cjz0422

最新推荐文章于 2024-09-16 19:52:18 发布

阅读量879

点赞数 15

文章标签：神经网络 dnn pytorch

本文链接：https://blog.csdn.net/cjz0422/article/details/135422092

版权

该博客详细介绍了使用PyTorch框架构建浅层神经网络，对泰坦尼克号数据集进行二分类预测的过程。包括数据预处理（独热编码和标签编码）、模型训练与评估、模型导出（PTH和ONNX格式）及推理验证。最终模型在验证集上表现出良好的预测性能。

摘要由CSDN通过智能技术生成

PT之DNN：基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例

基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例

# 1、定义数据集

# 定义入模特征

# 2、数据预处理

# 2.1、缺失值处理

# 2.2、特征编码

# 2.3、分离特征与标签

# 3、模型训练与评估

# 3.1、切分数据集

# 转换数据集为PyTorch的Tensor格式

# 3.2、定义模型：前馈神经网络

# 初始化模型

# 定义损失函数和优化器

# 3.3、训练模型(前向传播+反向优化)

# 3.4、模型评估并输出预测结果

# 3.5、模型导出与推理

# T1、导出+载入pth模型文件进行推理

# T2、导出+载入ONNX模型

相关文章
PT之DNN：基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例
PT之DNN：基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例实现代码

基于泰坦尼克号数据集(独热编码/标签编码)利用PyTorch框架的浅层神经网络算法(pth和onnx文件的模型导出和载入推理)实现二分类预测应用案例
# 1、定义数据集

D:\ProgramData\Anaconda3\python.exe E:/File_Python/Python_daydayup/20230512.py
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 PassengerId 891 non-null int64
1 Survived 891 non-null int64
2 Pclass 891 non-null int64
3 Name 891 non-null object
4 Sex 891 non-null object
5 Age 714 non-null float64
6 SibSp 891 non-null int64
7 Parch 891 non