Pytorch深度学习实践第八讲 加载数据集

B站 刘二大人 传送门 加载数据集

	本节用的还是糖尿病数据集,老师放的百度云课件中有数据集压缩包,自行下载。
	这一节把数据加载做成了类,并且增加了批量处理。代码中有一些测试和绘图后注释掉的内容,这里就不删除了。
	链接:https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
	提取码:cxe4
import torch
from  torch.utils.data import Dataset
from  torch.utils.data import DataLoader
import numpy as np
import matplotlib.pyplot as plt

class DiabetesDataset(Dataset):
    def __init__(self,filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)  # 'delimiter'为分隔符
        print('xy = \n', xy.shape)
        self.len = xy.shape[0]
        self.x_data = torch.from_numpy(xy[:, :-1])
        self
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用PyTorch实现经典模型AlexNet并在至少一个数据集上进行试验分析如下: AlexNet是由Hinton的学生Alex Krizhevsky等人在2012年提出的,是第一个成功应用深度学习模型于ImageNet大规模视觉识别挑战赛(ILSVRC)的模型。它深度、宽度较大,有8个卷积层和3个全连接层。下面描述了使用PyTorch框架实现AlexNet的步骤: 1. 首先,导入所需的PyTorch库,并加载数据集。可以使用CIFAR-10数据集进行试验,该数据集含10个不同类别的60000个32x32彩色图像。 2. 接下来,构建AlexNet模型的网络结构。使用PyTorch中的nn.Module来定义模型类。程序可以定义一个继承自nn.Module的类,并在其中定义模型的网络结构,如卷积层、池化层和全连接层等。在AlexNet的网络结构中,可以使用nn.Conv2d代表卷积层,nn.ReLU代表激活函数,nn.MaxPool2d代表池化层,nn.Linear代表全连接层。 3. 实现前向传播函数。在模型类中实现forward函数,定义了从输入到输出的数据流动过程。在AlexNet中,全连接层之前通常会使用nn.Dropout来防止过拟合。 4. 执行反向传播和优化。定义损失函数,可以使用nn.CrossEntropyLoss来计算分类损失。然后定义优化器,如Adam或SGD等,并使用反向传播法更新模型参数。 5. 开始训练和验证模型。此时,可以将数据集分为训练集和验证集。在每个训练循环中,分批次加载训练集数据,并对模型进行训练。在验证循环中,分批次加载验证集,并计算模型在验证集上的准确率等指标。 6. 可以进行模型的微调和超参数调整,以提高模型性能。 进行试验分析时,可以计算模型在验证集或测试集上的准确率、精确率、召回率以及F1值等指标,评估模型的性能。还可以通过绘制损失曲线和准确率曲线等图表,进行可视化分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值