使用dataframe基于pytorch训练神经网络模型的例子

import torch
import pandas as pd
import numpy as np

# 定义数据集合 label为Y标记
df = pd.DataFrame({
    'id':[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20],
    'age':[33,23,45,76,43,23,34,39,19,36,55,83,26,26,43,25,19,23,32,42],
    'class':[1,2,3,4,3,4,3,2,1,1,1,3,2,3,4,4,4,2,1,3],
    'score1':[98,96,56,88,75,34,56,37,28,54,68,35,77,55,35,12,45,87,43,89],
    'score2':[47,32,56,87,34,65,32,56,34,83,26,33,97,95,79,77,98,44,38,65],
    'label':[0,0,0,0,0,0,1,1,1,1,1,0,1,0,1,0,1,1,0,0],
})

# X变量列表
var_list = ['age','class','score1','score2']
# Y变量列表
Y = 'label'

# 定义一个模型的结构
class model(torch.nn.Module):
    def __init__(self):
        super(model,self).__init__()
        self.line1 = torch.nn.Linear(4,2) # 线性层 4个输入特征，2个输出特征
        self.relu = torch.nn.ReLU() # ReLU激活函数
        self.line2 = torch.nn.Linear(2,1) # 线性层 2个输入特征，1个输出特征

    def forward(self,input):
        x3 = self.line1(input)
        x4 = self.relu(x3)
        x5 = self.line2(x4)
        return x5

# 将模型实例化
mymodel = model()
optimizer = torch.optim.Adam(mymodel.parameters(),lr=0.001) # Adam优化器
lossf = torch.nn.BCEWithLogitsLoss() # 二分类任务的损失函数

# 数据集处理
train_da = torch.tensor(df[var_list].values,dtype=torch.float32) # 将X变量转换为Tensor格式
train_lab = torch.tensor(df[Y].values,dtype=torch.float32) # 将Y变量转换为Tensor格式
train_dataset = torch.utils.data.TensorDataset(train_da,train_lab) # 创建数据集对象，将X和Y合并成一个数据集
traind = torch.utils.data.DataLoader(train_dataset,batch_size=5,shuffle=False) # 创建数据加载器，用于批量处理数据

# 模型训练
for jj in range(5): # 迭代5次进行模型训练
    i = 0
    for x,y0 in traind: # 遍历批量数据
        i = i+1
        y = mymodel(x) # 通过模型进行预测
        loss = lossf(y,y0.float().unsqueeze(1)) # 计算损失
        optimizer.zero_grad() # 梯度清零
        loss.backward() # 反向传播计算梯度
        optimizer.step() # 更新模型参数
        print(jj,i,loss.item()) # 打印训练过程中的损失值
        if torch.isnan(loss).item(): # 如果损失为NaN，则停止训练
            break

# 模型使用
yy = mymodel(train_da) # 使用训练好的模型进行预测