刘二PyTorch深度学习（七）——加载数据集

加载数据集：

1. 用Mini-Batch来平衡性能以及学习时间

2. Mini-Batch使用两层循环：外层表示训练周期，内层是对Batch进行迭代

 

注：其中epoc表示当所有训练样本都经历过正向和反向传播的过程，就叫1次epoc（即所有样本都训练过1次的过程）；batch-size表示前馈+反馈+更新用到的样本数量；literation：表示一共分了多少个Batch

1. DataLoader过程：先shuffle（打乱数据的顺序）再loader（对打乱的数据进行分组）

用ernmerate进行循环：可以获取当前是第几次循环

Dataset：首先其是一个抽象函数，不能直接实例化，要新建一个函数并集成Dataset；其次，集成他后要实现三个方法

第一：__init__是初始化函数，可以自动生成，不用动

第二：__getitem__()是根据索引来获取样本的（相当于根据id找数据）

第三：__len__()返回数据集的长度

import numpy as np
import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader


class DiabetesDataset(Dataset):
    def __init__(self, filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
        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):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len


# 获取数据
dataset = DiabetesDataset('./data/diabetes.csv')
# 用dataloader进行数据随机分组（训练集要打乱，测试集不需要）
data_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2)


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


ldmodel = Model()

criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.SGD(ldmodel.parameters(), lr=0.1)
if __name__ == '__main__':  # 如果不加这一步会报‘RunTime Error’
    for epoc in range(100):
        for i, data in enumerate(data_loader, 0):
            inputs, labels = data
            y_pred = ldmodel(inputs)
            loss = criterion(y_pred, labels)
            print(epoc, loss.item())

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()