刘二大人《Pytorch深度学习与实践》09多分类问题作业，

这里的文件路径需要换成自己的，其余的超参数可以自己调，具体代码如下所示

import numpy as np
import pandas as pd
from torch.utils.data import Dataset, DataLoader
import torch
import torch.optim as optim


# 数据处理
# 1、处理数据及加载数据集
def labelsid(labels):  # 将类别标签转换成id表示，方便后面计算交叉熵
    target_id = []
    target_labels = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
    for label in labels:
        target_id.append(target_labels.index(label))
    return target_id


class My_dataset(Dataset):
    def __init__(self, filepath):
        data = pd.read_csv(filepath)
        labels = data['target']
        self.len = data.shape[0]
        self.x_data = torch.tensor(
            np.array(data)[:, 1:-1].astype(float))  # astype是强制格式转换，[:,1:-1]表示将列表中最后一列和第一类进行删除,保存特征数
        self.y_data = labelsid(labels)

    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len


# 2、数据实例化
dataset = My_dataset(r"C:\Users\28493\Downloads\train.csv.zip")
# 3、设计数据集加载器
train_loader = DataLoader(dataset=dataset, batch_size=64, shuffle=True, num_workers=0)


# 模型定义设计
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(93, 64)
        self.linear2 = torch.nn.Linear(64, 32)
        self.linear3 = torch.nn.Linear(32, 16)
        self.linear4 = torch.nn.Linear(16, 9)
        self.relu = torch.nn.ReLU()

    def forward(self, x):
        x = self.relu(self.linear1(x))
        x = self.relu(self.linear2(x))
        x = self.relu(self.linear3(x))
        x = self.linear4(x)  # 最后一层不用激活函数激活，因为这一部分直接包括在交叉熵函数里了
        return x

    def predict(self, x):  # 这个函数主要应用于前向过程，并不包括反向传播
        with torch.no_grad():
            x = self.relu(self.linear1(x))
            x = self.relu(self.linear2(x))
            x = self.relu(self.linear3(x))
            x = self.relu(self.linear4(x))
            _, predicted = torch.max(x, dim=1)  # 返回x这个数据中1维数据（行数据）的索引值及最大值，‘_’代表索引值的位置
            y = pd.get_dummies(predicted)
            return y


# 实例化模型,并建立评价函数和优化器
model = Model()
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# 开始训练，（前向，反向和更新）
if __name__ == '__main__':
    for epoch in range(100):
        loss = 0.0
        for batch_idx, data in enumerate(train_loader):
            inputs, target = data
            inputs = inputs.float()
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = criterion(outputs, target)
            loss.backward()
            optimizer.step()
            loss += loss.item()
            if batch_idx % 300 == 299:  # 如果迭代次数除以300的余数等于299，每300轮输出一次,从0开始计数，299是第300个数
                # 输出[%d代表是一位整数，%5d代表是5位，位数不够用空格填充]，损失用小数点后三位浮点型表示。
                # %用于格式化输出的连接符号，总的循环次数+1，batch的循环次数+1，损失除以300轮，求一次损失
                print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, loss / 300))
                loss = 0.0  # 每300次就将损失归一次0
# 进行测试
test_data = pd.read_csv(r"C:\Users\28493\Downloads\test.csv.zip")
test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float))  # 将测试集数据中的第一列索引值删除，并将数字格式强制转换成浮点型
test_outputs = model.predict(test_inputs.float())
# 为测试集增加列标签
labels = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6', 'Class_7', 'Class_8', 'Class_9']
test_outputs.columns = labels  # 为测试集的预测输出增加列标签，即为预测结果设置预测结果标签
test_outputs.insert(0, 'id', test_data['id'])  # .insect(0,'id')表示在索引值为0的这一列加入‘id’
out = pd.DataFrame(test_outputs)
out.to_csv(r"C:\Users\28493\OneDrive\桌面\预测.csv", index=False)  # 不保存索引