目录
一、实验介绍
在本系列先前的代码中，借助深度学习框架的帮助，已经完成了前馈神经网络的大部分功能。本文将基于鸢尾花数据集构建一个数据迭代器，以便在每次迭代时从全部数据集中获取指定数量的数据。（借助深度学习框架中的Dataset类和DataLoader类来实现此功能）
https://blog.csdn.net/m0_63834988/article/details/132924381?spm=1001.2014.3001.5502二、实验环境
本系列实验使用了PyTorch深度学习框架，相关操作如下：
1. 配置虚拟环境
conda create -n DL python=3.7 conda activate DLpip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
conda install matplotlib conda install scikit-learn2. 库版本介绍
| 软件包 | 本实验版本 | 目前最新版 |
| matplotlib | 3.5.3 | 3.8.0 |
| numpy | 1.21.6 | 1.26.0 |
| python | 3.7.16 | |
| scikit-learn | 0.22.1 | 1.3.0 |
| torch | 1.8.1+cu102 | 2.0.1 |
| torchaudio | 0.8.1 | 2.0.2 |
| torchvision | 0.9.1+cu102 | 0.15.2 |
三、实验内容
ChatGPT：
前馈神经网络（Feedforward Neural Network）是一种常见的人工神经网络模型，也被称为多层感知器（Multilayer Perceptron，MLP）。它是一种基于前向传播的模型，主要用于解决分类和回归问题。
前馈神经网络由多个层组成，包括输入层、隐藏层和输出层。它的名称"前馈"源于信号在网络中只能向前流动，即从输入层经过隐藏层最终到达输出层，没有反馈连接。
以下是前馈神经网络的一般工作原理：
输入层：接收原始数据或特征向量作为网络的输入，每个输入被表示为网络的一个神经元。每个神经元将输入加权并通过激活函数进行转换，产生一个输出信号。
隐藏层：前馈神经网络可以包含一个或多个隐藏层，每个隐藏层由多个神经元组成。隐藏层的神经元接收来自上一层的输入，并将加权和经过激活函数转换后的信号传递给下一层。
输出层：最后一个隐藏层的输出被传递到输出层，输出层通常由一个或多个神经元组成。输出层的神经元根据要解决的问题类型（分类或回归）使用适当的激活函数（如Sigmoid、Softmax等）将最终结果输出。
前向传播：信号从输入层通过隐藏层传递到输出层的过程称为前向传播。在前向传播过程中，每个神经元将前一层的输出乘以相应的权重，并将结果传递给下一层。这样的计算通过网络中的每一层逐层进行，直到产生最终的输出。
损失函数和训练：前馈神经网络的训练过程通常涉及定义一个损失函数，用于衡量模型预测输出与真实标签之间的差异。常见的损失函数包括均方误差（Mean Squared Error）和交叉熵（Cross-Entropy）。通过使用反向传播算法（Backpropagation）和优化算法（如梯度下降），网络根据损失函数的梯度进行参数调整，以最小化损失函数的值。
前馈神经网络的优点包括能够处理复杂的非线性关系，适用于各种问题类型，并且能够通过训练来自动学习特征表示。然而，它也存在一些挑战，如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战，一些改进的网络结构和训练技术被提出，如卷积神经网络（Convolutional Neural Networks）和循环神经网络（Recurrent Neural Networks）等。
本系列为实验内容，对理论知识不进行详细阐释
（咳咳，其实是没时间整理，待有缘之时，回来填坑）
0. 导入必要的工具包
import torch
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoader
Dataset和DataLoader类用于处理数据集和数据加载
1. 直接加载鸢尾花数据集
加载鸢尾花数据进行归一化并可选地进行洗牌操作，以便于后续的深度学习任务。
import torch
from sklearn.datasets import load_iris
def load_data(shuffle=True):
x = torch.tensor(load_iris().data)
y = torch.tensor(load_iris().target)
# 数据归一化
x_min = torch.min(x, dim=0).values
x_max = torch.max(x, dim=0).values
x = (x - x_min) / (x_max - x_min)
if shuffle:
idx = torch.randperm(x.shape[0])
x = x[idx]
y = y[idx]
return x, ya. 加载数据集
-
调用
load_iris().data函数加载数据，并使用torch.tensor将数据转换为PyTorch张量，将结果赋值给变量x。 -
调用
load_iris().target函数加载目标变量，并使用torch.tensor将数据转换为PyTorch张量，将结果赋值给变量y。
b. 数据归一化
-
计算矩阵
x每列的最小值。-
torch.min函数的dim参数设置为0表示按列计算最小值，.values属性获取最小值的张量。
-
-
计算矩阵
x每列的最大值。-
torch.max函数的dim参数设置为0表示按列计算最大值，.values属性获取最大值的张量。
-
-
x = (x-x_min)/(x_max-x_min)：对矩阵x进行归一化处理，将每个元素减去最小值，然后除以最大值与最小值之差。这样可以将数据缩放到0和1之间。
c. 洗牌操作
-
if shuffle:：如果shuffle参数为True，执行以下代码块。-
idx = torch.randperm(x.shape[0])：生成一个随机排列的索引，范围从0到x的行数减1。torch.randperm函数返回一个随机排列的整数序列。 -
x = x[idx]：根据生成的随机索引对矩阵x进行行重排，打乱数据的顺序。 -
y = y[idx]：根据生成的随机索引对向量y进行行重排，保持目标变量与输入数据的对应关系。
-
-
return x, y：返回处理后的输入特征矩阵x和目标变量向量y。
d. 打印数据
x, y = load_data()
print("Input features (x):")
print(x)
print("Target variables (y):")
print(y)
2. 定义类封装数据
创建一个用于处理鸢尾花数据集的自定义数据集（继承自Dataset类），该自定义数据集类可以用于创建鸢尾花数据集的训练集、验证集或测试集对象，并提供给__getitem__和__len__方法，以便能够使用DataLoader类进行数据加载和批处理操作。
class IrisDataset(Dataset):
def __init__(self, mode='train', num_train=120, num_dev=15):
super(IrisDataset,self).__init__()
x, y = load_data(shuffle=True)
if mode == 'train':
self.x, self.y = x[:num_train], y[:num_train]
elif mode == 'dev':
self.x, self.y = x[num_train:num_train + num_dev], y[num_train:num_train + num_dev]
else:
self.x, self.y = x[num_train + num_dev:], y[num_train + num_dev:]
def __getitem__(self, idx):
return self.x[idx], self.y[idx]
def __len__(self):
return len(self.x)-
class IrisDataset(Dataset):：定义了一个名为IrisDataset的类，该类继承自Dataset类，表示一个自定义的数据集。
a. __init__(构造函数：用于初始化数据集对象)
-
该函数接受三个参数：
-
mode表示数据集模式（默认为'train'） -
num_train表示训练样本的数量（默认为120） -
num_dev表示验证样本的数量（默认为15）。
-
-
super(IrisDataset, self).__init__()：调用父类Dataset的构造函数，确保正确地初始化基类。 -
x, y = load_data(shuffle=True)：调用之前定义的load_data函数加载数据集。 -
如果数据集模式为'train'：
-
将前
num_train个训练样本赋值给类的成员变量self.x和self.y，表示训练数据集。
-
-
如果数据集模式为'dev'：
-
将从第
num_train个样本开始的num_dev个样本赋值给类的成员变量self.x和self.y，表示验证数据集。
-
-
如果数据集模式不是'train'也不是'dev'：
-
将从第
num_train + num_dev个样本开始的剩余样本赋值给类的成员变量self.x和self.y，表示测试数据集。
-
b. __getitem__(获取指定索引处的样本)
-
return self.x[idx], self.y[idx]：根据索引idx返回对应位置的输入特征和目标变量。
c. __len__(获取数据集的长度)
-
return len(self.x)：返回数据集的长度，即样本数量。
3. 构建数据集（批量加载训练、验证、测试集）
batch_size = 16
# 分别构建训练集、验证集和测试集
train_dataset = IrisDataset(mode='train')
dev_dataset = IrisDataset(mode='dev')
test_dataset = IrisDataset(mode='test')
train_loader = DataLoader(train_dataset, batch_size=batch_size,shuffle=True)
dev_loader = DataLoader(dev_dataset, batch_size=batch_size)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)- 使用自定义的数据封装类加载鸢尾花数据集的训练集、验证集和测试集，并使用
DataLoader进行批量加载。train_dataset是要加载的数据集对象，batch_size是批量大小，表示每个批次的样本数量，shuffle=True表示在每个迭代周期中对数据进行随机洗牌。- 将验证集数据集加载到
dev_loader中，未指定shuffle参数，默认为False，不进行洗牌。 - 将测试集数据集加载到
test_loader中，将batch_size设置为1，表示每个批次只包含一个样本，同时指定shuffle=True，在每个迭代周期中对数据进行随机洗牌。
4. 代码整合
# 导入必要的工具包
import torch
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoader
# 此函数用于加载鸢尾花数据集
def load_data(shuffle=True):
x = torch.tensor(load_iris().data)
y = torch.tensor(load_iris().target)
# 数据归一化
x_min = torch.min(x, dim=0).values
x_max = torch.max(x, dim=0).values
x = (x - x_min) / (x_max - x_min)
if shuffle:
idx = torch.randperm(x.shape[0])
x = x[idx]
y = y[idx]
return x, y
# 构建自己的数据集,继承自Dataset类
class IrisDataset(Dataset):
def __init__(self, mode='train', num_train=120, num_dev=15):
super(IrisDataset, self).__init__()
x, y = load_data(shuffle=True)
if mode == 'train':
self.x, self.y = x[:num_train], y[:num_train]
elif mode == 'dev':
self.x, self.y = x[num_train:num_train + num_dev], y[num_train:num_train + num_dev]
else:
self.x, self.y = x[num_train + num_dev:], y[num_train + num_dev:]
def __getitem__(self, idx):
return self.x[idx], self.y[idx]
def __len__(self):
return len(self.x)
batch_size = 16
# 分别构建训练集、验证集和测试集
train_dataset = IrisDataset(mode='train')
dev_dataset = IrisDataset(mode='dev')
test_dataset = IrisDataset(mode='test')
train_loader = DataLoader(train_dataset, batch_size=batch_size,shuffle=True)
dev_loader = DataLoader(dev_dataset, batch_size=batch_size)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)