PyTorch深度学习实践 第八讲---Mini-batch数据集

Demo8 数据集划分处理（加载数据集）
来源 B站 刘二大人

说明：

1. DataSet 是抽象类，不能实例化对象，主要是用于构造我们的数据集。继承DataSet的类需要重写方法返回len和根据索引获取对应的值。getitem（）目的是为支持下标(索引)操作。
2. DataLoader 用来帮助我们处理数据，具体就是做shuffle(提高数据集的随机性)，和根据batch_size拿出Mini-Batch进行训练，DataLoader可实例化对象。
   
   代码说明：
3. 需要mini_batch 就需要import DataSet和DataLoader
4. 继承DataSet的类需要重写init，getitem,len魔法函数。分别是为了加载数据集，获取数据索引，获取数据总量。
5. DataLoader对数据集先打乱(shuffle)，然后划分成mini_batch。
6. len函数的返回值 除以 batch_size 的结果就是每一轮epoch中需要迭代的次数。
7. inputs, labels = data中的inputs的shape是[32,8],labels 的shape是[32,1]。也就是说mini_batch在这个地方体现的
8. diabetes.csv数据集老师给了下载地址，可自行下载

课程代码

import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
class DiabetesDataset(Dataset):
    def __init__(self, filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype = np.float32)
        self.len = xy.shape[0]
        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')
train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True)
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()
criterion = torch.nn.BCELoss(size_average = True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(100):
    for i, data in enumerate(train_loader, 0):
        inputs, labels =data
        y_p = model(inputs)
        loss = criterion(y_p, labels)
        print(epoch, i, loss.item())
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

结果