- 术语:Epoch,Batch-Size,Iteration
两层循环嵌套,外层循环表示训练周期,内层循环对mini-batch进行迭代
epoch:对所有的样本都进行了一次前向和反向传播
batch-size:每次训练(前馈、反馈、更新)所用的样本数量叫batch-size
iteration:batch分了多少个(内层迭代执行多少次)
- DataLoader功能示意图
- torch.utils.data.Dataset是一个抽象类,只能被其他类继承来构造我们自己的数据集
- torch.utils.data.DataLoader帮助我们加载数据
- Dataset类必须有的几个定义:__inti__、__getitem__(使数据集支持下标索引)、__len__(返回数据条数),使该类变成可便利的数据对象
- Python enumerate() 函数
糖尿病数据集:
import torch
import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
# prepare dataset
'''
Dataset是一个抽象函数,不能直接实例化,所以我们要创建一个自己类,继承Dataset
继承Dataset后我们必须实现三个函数:
__init__()是初始化函数,之后我们可以提供数据集路径进行数据的加载
__getitem__()帮助我们通过索引找到某个样本
__len__()帮助我们返回数据集大小
'''
class DiabetesDataset(Dataset):
def __init__(self, filepath):
xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
self.len = xy.shape[0] # shape本身是一个二元组(x,y)对应数据集的行数和列数,这里[0]我们取行数,即样本数
self.x_data = torch.from_numpy(xy[:, :-1])
self.y_data = torch.from_numpy(xy[:, [-1]])
def __getitem__(self, index):
return self.x_data[index], self.y_data[index]
def __len__(self):
return self.len
dataset = DiabetesDataset('diabetes.csv') # 实例化dataset
train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2) # num_workers 多线程
# design model using class
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
self.linear1 = torch.nn.Linear(8, 6)
self.linear2 = torch.nn.Linear(6, 4)
self.linear3 = torch.nn.Linear(4, 1)
self.sigmoid = torch.nn.Sigmoid()
def forward(self, x):
x = self.sigmoid(self.linear1(x))
x = self.sigmoid(self.linear2(x))
x = self.sigmoid(self.linear3(x))
return x
model = Model()
# construct loss and optimizer
criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# training cycle forward, backward, update
if __name__ == '__main__': # if这条语句在windows系统下一定要加,否则会报错
for epoch in range(100):
for i, data in enumerate(train_loader, 0): # 取出一个batch
# 1. prepare data
inputs, labels = data
# 2. forward
y_pred = model(inputs)
loss = criterion(y_pred, labels)
print(epoch, i, loss.item())
# 3.backward
optimizer.zero_grad()
loss.backward()
# 4.update
optimizer.step()