pytorch实践08(刘二大人)

今天跟着刘老师学习了第八讲加载数据集，主要是让数据训练时利用mini_batch进行训练，从而提高计算速度，主要区分三个词epoch，batch-size，iteration

在视频中刘老师给出了三个名词的定义：epoch表示所有的样本训练的轮数，batch-size表示训练一次前馈和反向传播的样本的数量，iteration表示所有样本数量/一个batch-size所包含的样本数量。

随后又讲了Dataset和Dataloader的作用，Dataset 是抽象类，不能实例，而Dataloader可以实例

刘老师所给出的源代码如下：

import torch
import matplotlib.pyplot as plt
import numpy as np
from torch.utils.data import Dataset,DataLoader#准备数据集
class DiabetesDataSet(Dataset):def __init__(self,filepath):#filepath为文件路径，delimiter为数据分割符，dtype为数据的类型xy = np.loadtxt(filepath,delimiter=',',dtype=np.float32)#获得数据集长度self.len = xy.shape[0]self.x_data = torch.from_numpy(xy[:,:-1])self.y_data = torch.from_numpy(xy[:,[-1]])#完成索引方法def __getitem__(self, index):return self.x_data[index],self.y_data[index]def __len__(self):return self.len#实例化
dataset = DiabetesDataSet('C:/Users/CZY/Desktop/pytorch实战/diabetes.csv.gz')
#将数据集设置成可min-batch训练
train_loder = DataLoader(dataset=dataset,batch_size=32,shuffle=True,num_workers=2)
#构建模型
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 xmodel = Model()#构造损失函数和优化器
Loss = torch.nn.BCELoss(size_average=False)
Optim = torch.optim.SGD(model.parameters(),lr = 0.01)#训练循环
for epoch in range(1000):for i,data in enumerate(train_loder,0):#准备数据集inputs,labels = data#前馈传播y_pred = model(inputs)loss = Loss(y_pred,labels)print('epoch',epoch,'loss',loss.item())#反向传播Optim.zero_grad()loss.backward()#更新Optim.step()

运行后会报如下的错误：

我从网上查找出错的原因，有人说是windows下无法进行并行运算导致的，所以我就将代码稍作修改：

import torch
import matplotlib.pyplot as plt
import numpy as np
from torch.utils.data import Dataset,DataLoader#准备数据集
class DiabetesDataSet(Dataset):def __init__(self,filepath):#filepath为文件路径，delimiter为数据分割符，dtype为数据的类型xy = np.loadtxt(filepath,delimiter=',',dtype=np.float32)#获得数据集长度self.len = xy.shape[0]self.x_data = torch.from_numpy(xy[:,:-1])self.y_data = torch.from_numpy(xy[:,[-1]])#完成索引方法def __getitem__(self, index):return self.x_data[index],self.y_data[index]def __len__(self):return self.len#实例化
dataset = DiabetesDataSet('C:/Users/CZY/Desktop/pytorch实战/diabetes.csv.gz')
#将数据集设置成可min-batch训练
train_loder = DataLoader(dataset=dataset,batch_size=32,shuffle=True)
#构建模型
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 xmodel = Model()#构造损失函数和优化器
Loss = torch.nn.BCELoss(size_average=False)
Optim = torch.optim.SGD(model.parameters(),lr = 0.01)#训练循环
loss_list = []
for epoch in range(1000):for i,data in enumerate(train_loder,0):#准备数据集inputs,labels = data#前馈传播y_pred = model(inputs)loss = Loss(y_pred,labels)print('epoch',epoch,'loss',loss.item())#反向传播Optim.zero_grad()loss.backward()#更新Optim.step()loss_list.append(loss.item())
plt.plot(loss_list,color = (0,0.5,0.5))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

运行后没有报错，得到的可视化结果如下：

刘老师在课后留了联系，等我完成后会将代码上传！

pytorch实践08(刘二大人)相关推荐

《PyTorch深度学习实践》刘二大人第2讲线性模型——使用双层for循环完成课后作业
一.课堂代码 import numpy as np import matplotlib.pyplot as pltx_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6. ...
【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）
从有代码的课程开始讨论 [Pytorch深度学习实践]B站up刘二大人之LinearModel -代码理解与实现(1/9) [Pytorch深度学习实践]B站up刘二大人之 Gradient Desc ...
【Pytorch深度学习实践】B站up刘二大人之 Gradient Descend-代码理解与实现(2/9)
开篇几句题外话: 以往的代码,都是随便看看就过去了,没有这样较真过,以至于看了很久的深度学习和Python,都没有能够形成编程能力: 这次算是废寝忘食的深入进去了,踏实地把每一个代码都理解透,包括其中 ...
【数据集加载 DatasetDataLoader 模块实现与源码详解深度学习 Pytorch笔记 B站刘二大人（7/10）】
数据集加载 Dataset&DataLoader 模块实现与源码详解深度学习 Pytorch笔记 B站刘二大人 (7/10) 模块介绍在本节中没有关于数学原理的相关介绍,使用的数据集和类型 ...
【从线性回归到卷积神经网络CNN 循环神经网络RNN Pytorch 学习笔记目录整合源码解读 B站刘二大人绪论（0/10）】
深度学习 Pytorch 学习笔记目录整合数学推导与源码详解 B站刘二大人目录传送门: 线性模型 Linear-Model 数学原理分析以及源码详解深度学习 Pytorch笔记 B站刘二大人( ...
【卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人（9.5/10）】
卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人 (9.5/10) 在上一章已经完成了卷积神经网络的结构分析,并通过各个模块理解 ...
B站刘二大人-数据集及数据加载 Lecture 8
系列文章: <PyTorch深度学习实践>完结合集-B站刘二大人 Pytorch代码注意的细节,容易敲错的地方 B站刘二大人-线性回归及梯度下降 Lecture3 B站刘二大人-反向传播L ...
《PyTorch深度学习实践》完结合集--B站刘二大人学习总结
本篇主要是各类模型的基本介绍及应用,不涉及深层技术. 学习视频指路→B站指路代码实践指路→代码指路课件获取:通过百度网盘分享的文件:PyTorch深- 链接:https://pan.baidu.c ...
【刘二大人 - PyTorch深度学习实践】学习随手记（一）
目录 1. Overview 1.Human Intelligence 2.Machine Learning 3.How to develop learning system? 4.Tradition ...

pytorch实践08(刘二大人)

pytorch实践08(刘二大人)相关推荐

最新文章

热门文章