最近在 B站 刘二大人 学习PyTorch ,上传一些学习用的代码,仅供参考和交流。
注意导入数据的时候,使用self.y_data = torch.from_numpy(xy[:, [-1]]),原因如下:
self.y_data = torch.from_numpy(xy[:, [-1]])
使用了双括号 [[ ]]
,会保持数据的维度。假设 xy
是一个 NumPy 数组,xy[:, [-1]]
返回的是一个二维数组,其中包含了 xy
中所有行的最后一列数据。这样做是为了确保 self.y_data
是一个二维张量,即形状为 (N, 1),其中 N 是数据点的数量。
self.y_data = torch.from_numpy(xy[:, -1]])
使用的是单括号 []
,会降低数据的维度。假设 xy
是一个 NumPy 数组,xy[:, -1]
返回的是一个一维数组,其中包含了 xy
中所有行的最后一列数据。这样做是为了将 self.y_data
变成一个一维张量,即形状为 (N,),其中 N 是数据点的数量。
import torch
import numpy as np
import matplotlib.pyplot as plt
#导入数据
xy=np.loadtxt('../dataset/diabetes.csv',delimiter=',',dtype=np.float32)
x_data=torch.from_numpy(xy[:,:-1])
y_data=torch.from_numpy(xy[:,[-1]])#直接写-1,拿出来是一个向量,加[]表示矩阵
#定义模型
class Model(torch.nn.Module):
def __init__(self):
super(Model,self).__init__()#调用父类的init
self.linear1 = torch.nn.Linear(8,6)
self.linear2 = torch.nn.Linear(6, 4)
self.linear3 = torch.nn.Linear(4, 1)
self.activate=torch.nn.Sigmoid()#作为一个模块,没有参数
def forward(self,x):
x = self.activate(self.linear1(x))
x = self.activate(self.linear2(x))
x = self.activate(self.linear3(x))
return x
model=Model()
#构造损失函数和优化器
criterion=torch.nn.BCELoss(reduction='sum')#损失函数,不求均值
#model.parameters()会扫描module中的所有成员,如果成员中有相应权重,那么都会将结果加到要训练的参数集合上
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)#SGD优化器
#训练过程
losses=[]
accs=[]
for epoch in range(10000):
y_pred=model(x_data)
loss=criterion(y_pred,y_data)
# print(epoch,loss.item())
losses.append(loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
y_pred_label = torch.where(y_pred >= 0.5, torch.tensor([1.0]), torch.tensor([0.0]))
acc = torch.eq(y_pred_label, y_data).sum().item() / y_data.size(0)
accs.append(acc)
#显示训练结果
plt.figure(1)
plt.plot(losses,label='loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend()
plt.figure(2)
plt.plot(accs,label='acc')
plt.xlabel('epoch')
plt.ylabel('acc')
plt.legend()
plt.show()
训练过程中损失函数变化如下:
训练过程中,准确率变化如下: