pyhorch深度学习代码编辑流程

0机器学习原理

我们知道不管是识别，还是检测，结果都可以看成输入（数据集）乘一个非常复杂的超越函数，这个函数模型可以是线性函数，也可以是指数函数，也可以是多个函数的叠加，我们要做的就是求出或者近似出这个超越函数。
对于一次线性函数我们知道其形式是 y=ax+b.。我们要做的就是求出这个a,和b;
怎么样来求这个a和b能，可以采用反馈的方式我先给a,b一个初始值1，1然后设置步进为0.1。将多个样本（整个数据集）带进去计算得到预测结果，将预测结果与实际真实结果（标签）求减得到误差，将每个样本的误差求和，得到该数据集的总误差，我们目的是找到一个合适的a,b值使整个数据集在这个a,b的函数上得到的总误差最小。设置两个循环外循环a,每次增加一个步进计算，内循环b每次增加一个步进，计算所有样本误差，最终求得最好的a,b值。此方法可以解决问题，但效率太低，原因在于步进即反馈是固定的，要是能先大步进，随着误差的减小，步进减小则效率更高，结果更精确。因此，步进不在是简单的常数，而采用优化器函数（optimizer）。优化器函数也就是目前大家努力的方向。常见的优化器是对超越函数中不同系数求偏导（梯度）也就知道了该系数对总输出的影响，利用这个偏导乘以误差来作为步进修正整个函数。
从上面讲解也就知道了，不管深度学习模型是啥都是4个步骤

1设置数据集

通过创建数据集的类来创建

# 设置数据集
# 选择下载的数据集，以逗号分割，每组数据保存成矩阵形式，单个数据保存成32位浮点型
class DiabetesDataset(Dataset): #创建糖尿病数据集类
    def __init__(self,filepath):
        xy = np.loadtxt(filepath, delimiter=',',dtype=np.float32)
        self.len=xy.shape[0]#shape[0]获得行数即样本数，shape[1]获取列数即维度
        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]#获取单个样本，以便未来需要查阅
    def __len__(self):
        return self.len #获取样本数
dataset=DiabetesDataset('E:/python program/PyTorch深度学习实践/PyTorch深度学习实践/diabetes.csv.gz')#数据集所在路径，本文采用刘二老师课的糖尿病数据集
train_loader=DataLoader(dataset=dataset,batch_size=32,shuffle=True,num_workers=2)
#batch_size:一次提取并训练的样本数，shuffle:是否打乱训练集，num_workers:多线程读取数据

2.创建超越函数

#定义算法类
class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # (n,m)是指输入x和输出y的特征维度，这里数据集中的输入特征为8维，我们采用多层递进的方式，先将8维输入降低到6维输出，在将6维作为输入到下一层降为4层，同样的再来一次降为1层，当然也可以直接将8维降到1维。只不过网络层数越多结果越准确
       
        self.linear1 = torch.nn.Linear