使用Dataset 和DataLoader 加载数据集

一、加载数据过程

PyTorch 数据加载实用程序的核心是 torch.utils.data.DataLoader 类。它表示可在数据集上迭代的 Python，并支持

这些选项由 DataLoader 的构造函数参数配置，构造函数的签名如下：

如下如显示了dataLoader的过程，shuffle将Dataset里的数据打乱，batch_size=2

二、模型建立流程

1、准备数据集（Dataset和DataLoader）2、继承Module类设计自己的模型

3、使用PyTorch APi 构造损失函数和优化器 4、采用前向传播、返向回馈、更新反复训练。

三、代码实现

import torch.nn
import numpy as np
from torch.utils.data import Dataset, 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

dataset = DiabetesDataset('diabetes.csv.gz')
train_loader = DataLoader(dataset=dataset, batch_size=64, shuffle=True, num_workers=2)

# 继承类Module,自动会实现反向计算图
class Model(torch.nn.Module):
    # 构造方法
    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

model = Model()

criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

if __name__=='__main__':
    for epoch in range(100):
        for i, data in enumerate(train_loader, 0):
            #1.prepare data
            inputs, labels = data
            #2.Forward
            y_pred = model(inputs)
            loss = criterion(y_pred, labels)
            print(epoch, loss.item())
            #3.Backward
            optimizer.zero_grad()
            loss.backward()
            #4.Update
            optimizer.step()

四、运行结果

使用Dataset 和DataLoader 加载数据集

猜你喜欢