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()

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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