《PyTorch深度学习实践》 P8 加载数据集

刘二老师的《PyTorch深度学习实践》，第八讲，自己测试的代码如下：

因为loss一直不收敛，所以试着把epoch改为1000，但还是不收敛，在0.5和0.8间反复横跳

import numpy as np
import torch
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader

# Dataset 帮助构建数据集，使数据集可以被索引
# Dataset是抽象类，即不能实例化，只能被继承使用
# DataLoader 拿出一个Mini-Batch

'''
所有的样本都参与训练之后，称为一个epoch
每次训练时所用的样本数量称为Batch-Size
Iteration: batch分多少个，即内层的迭代，迭代了多少次
# 举例：10000个样本，batch-size为1000，则Iteration为10；
'''

'''
1、Prepare DataSet
'''
class DiabetesDataset(Dataset):
    def __init__(self, filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
        self.len = xy.shape[0]  # xy的格式为: 样本数*(x特征数+y特征数)的矩阵
                                # xy(shape)[0]即可提取样本数
        self.x_data = torch.from_numpy(xy[:, :-1])
        self.y_data = torch.from_numpy(xy[:, [-1]])

    # 魔法方法，使实例化后的对象支持下标索引
    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    # 使实例化对象支持len(实例化对象)使用
    def __len__(self):
        return self.len

dataset = DiabetesDataset('diabetes.csv.gz')
train_loader = DataLoader(dataset=dataset, batch_size=32,shuffle=True, num_workers=2)
# shuffle，即打乱；num_workers，允许超线程，即并行化的程序，有两个

'''
2、Design model
'''
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()

'''
3、construct loss and optimizer
'''
criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

Epoch_list =[]  #保存epoch
Loss_list = []  #保存每个epoch对应的loss

'''
4、Training Cycle: forward --> backward --> update
'''
if __name__ == '__main__':# 没有这条语句，超线程的设置会报错
    for epoch in range(1000):
        for i, data in enumerate(train_loader, 0):
            # 1.prepare data
            inputs, labels = data
            # 2.forward
            y_pred = model(inputs)
            loss = criterion(y_pred, labels)
            print('Epoch:', epoch, "i = ", i, "loss = %5f" % loss.item())

            Epoch_list.append(epoch)
            Loss_list.append(loss)

            # Backward
            optimizer.zero_grad()  # 梯度置为0
            loss.backward()  # 反向传播

            # update
            optimizer.step()  # 更新w和b的值
        if epoch >= 999:
            plt.plot(Epoch_list, Loss_list)
            plt.title('SGD')
            plt.xlabel('Epoch')
            plt.ylabel('Loss')
            plt.grid(ls='--')
            plt.show()

# '''
# 5、Painting  # （原本我的painting是写在这里的，但是会有错误，它每一次循环就会作两张图，所以把painting写进循环的if语句里了
# '''
# plt.plot(Epoch_list, Loss_list)
# plt.title('SGD')
# plt.xlabel('Epoch')
# plt.ylabel('Loss')
# plt.grid(ls='--')
# plt.show()

图片如下：

 暂时不知道该如何解决