【Pytorch深度学习实践】第8讲 加载数据集

Epoch：所有样本都参与训练
Batch-Size:训练时用的样本数量
Iteration:迭代 等于Batch-size样本训练一次

Dataset是一个抽象类，不能实例化，只能继承
DataLoader:可以实例化

在WindowS下，和Linux使用的库不同，用spwan代替了fork，会导致如下问题：

改写成
查看N,知道数据集有多少个

import torch
import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
 
# prepare dataset
 
"""
数据集不大 直接读加载到内存
无结构数据 
"""


class DiabetesDataset(Dataset):
    # 魔法函数
    # 初始化
    def __init__(self, filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
        # shape(多少行，多少列)
        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):
        # 返回x y 的样本
        return self.x_data[index], self.y_data[index]

    # 数据集的数据条数
    # 适用于数据量不大【图像数据集不适用】
    def __len__(self):
        return self.len


# 定义数据集对象
dataset = DiabetesDataset('data/diabetes.csv.gz')
# 加载器 shuffle是否要打乱 num_workers多线程来读取数据
train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2)


# 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__':
    for epoch in range(100):
        # 从0开始枚举
        for i, data in enumerate(train_loader, 0): # train_loader 是先shuffle后mini_batch
            # 都是张量
            inputs, labels = data
            y_pred = model(inputs)
            loss = criterion(y_pred, labels)
            print(epoch, i, loss.item())
            # Backward
            optimizer.zero_grad()
            loss.backward()
            # Update
            optimizer.step()