自学笔记
课程老师:刘二大人 河北工业大学教师 https://liuii.github.io
课程来源:https://www.bilibili.com/video/BV1Y7411d7Ys
五、Logistic_Regression
# Logistic Regression
#导入包
import torch
#导入数据
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])
#创建模型
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel,self).__init__()
#线性层
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
#线性层后接一个sigmoid
y_pred = torch.sigmoid(self.linear(x))
return y_pred
#实例化
model = LogisticRegressionModel()
#损失计算
criterion = torch.nn.BCELoss(size_average=False)
#优化方法
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)
#训练
for epoch in range(1000):
#计算预测值
y_pred = model(x_data)
#计算损失
loss = criterion(y_pred,y_data)
#优化器梯度归零
optimizer.zero_grad()
#反向传播
loss.backward()
#进行一次优化(梯度下降)
optimizer.step()
print(epoch,loss.item())
#查看训练结果
import numpy as np
import matplotlib.pyplot as plt
#创建测试数组,0——10之间,200个数
x = np.linspace(0,10,200)
#转化为Tensor,200*1
x_t = torch.Tensor(x).view((200,1))
#放到训练好的模型中
y_t = model(x_t)
#将Tensor转化为numpy数组
y = y_t.data.numpy()
#绘图
plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],c = 'r')
plt.xlable('Hours')
plt.ylable('Probability of Pass')
plt.grid()
plt.show()
六、Multiple_Dimension_Input
csv文件下载:
链接:https://pan.baidu.com/s/1Yb54QfWWmRoInOmpgN1kWA
提取码:gnkt
#导入包
import torch
#导入数据
import numpy as np
#path改为自己的path
xy = np.loadtxt(r'E:/MLdataset/PyTorch深度学习实践/diabetes.csv.gz', delimiter=',', dtype=np.float32)
#仔细观察csv文件,将最后一列为作为lable传给y_data,前面的所有列给x_data,使用了numpy的二维切片方法
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:, [-1]])
#创建模型
class Model(torch.nn.Module):
#三个线性层,一个线性层后就接一次sigmoid()
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
#实例化
model = Model()
#损失计算
criterion = torch.nn.BCELoss(size_average=True)
#优化方法
optimizer = torch.optim.SGD(model.parameters(),lr=0.1)
#训练
for epoch in range(100):
#计算预测值
y_pred = model(x_data)
#计算损失
loss = criterion(y_pred,y_data)
#优化器梯度归零
optimizer.zero_grad()
#反向传播
loss.backward()
#进行一次优化(梯度下降),更新
optimizer.step()
print(epoch,loss.item())
七、Dataset_and_DataLoader
#使用DataLoader,Dataset
#导入所需的包和方法
import torch
from torch.utils.data import DataLoader,Dataset
#初始化数据集
#继承自Dataset
class DiabetesDataset(Dataset):
#初始化函数
def __init__(self,filepath):
#传入数据
xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
#定义长度
self.len = xy.shape[0]
self.x_data = torch.from_numpy(xy[:,:-1])
self.y_data = torch.from_numpy(xy[:,[-1]])
#定义两个必须定义的函数
#返回数据集的对应索引的值
def __getitem__(self,index):
return self.x_data[index],self.y_data[index]
#返回数据集长度
def __len__(self):
return self.len
#实例化DiabetesDataset
dataset = DiabetesDataset(r'E:/MLdataset/PyTorch深度学习实践/diabetes.csv.gz')
#将数据传给train_loader,是一个tensor格式
train_loader = DataLoader(dataset=dataset,
batch_size=32,
shuffle=True,
num_workers=0)
#创建模型
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
#实例化
model = Model()
#损失计算
criterion = torch.nn.BCELoss(size_average=True)
#优化方法
optimizer = torch.optim.SGD(model.parameters(),lr=0.1)
#训练
for epoch in range(100):
#遍历train_loader中的数据,从索引0开始编号,i为索引号,data是一个二维tensor
for i,data in enumerate(train_loader,0):
#将data的0维数组赋给inputs(即前面的x_data),data的1维数组赋值给lables(即前面的y_data)
inputs,lables = data
#带入模型计算预测值
y_pred = model(inputs)
#损失计算
loss = criterion(y_pred,lables)
#输出结果
print(epoch,i,loss.item())
#梯度归零 + 反馈 + 更新
optimizer.zero_grad()
loss.backward()
optimizer.step()