《PyTorch深度学习实践》完结合集 · Hongpu Liu · 加载数据集（6）

目录

8、加载数据集

---

8、加载数据集

 

  

 windows需要在下面的代码前面加上   

if __name__ == '__main__':

 

 

 

 

#! /usr/bin/env python
# -*- coding: utf-8 -*-

"""
============================================
时间：2021.8.
作者：手可摘星辰不去高声语
文件名：.py
功能：
1、Ctrl + Enter      在下方新建行但不移动光标；
2、Shift + Enter     在下方新建行并移到新行行首；
3、Shift + Enter     任意位置换行
4、Ctrl + D          向下复制当前行
5、Ctrl + Y 　　      删除当前行
6、Ctrl + Shift + V  打开剪切板
7、Ctrl + /          注释(取消注释)选择的行；
8、Ctrl + E 　　　  　可打开最近访问过的文件
9、Double Shift + /  万能搜索
============================================
"""


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):
        self.xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
        self.len = self.xy.shape[0]
        self.x_data = torch.from_numpy(self.xy[:, :-1])
        self.y_data = torch.from_numpy(self.xy[:, [-1]])

    def __getitem__(self, index):
        return self.x_data[index], self.y_data[index]

    def __len__(self):
        return self.len


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()
        self.activate = torch.nn.Tanh()

    def forward(self, x):
        x = self.activate(self.linear1(x))
        x = self.activate(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x


dataset = DiabetesDataset("E:/AI学习/PyTouch/刘普洪：《PyTorch深度学习实践》完结合集/Code/DataSet/diabetes.csv")
train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=1)
model = Model()
criterion = torch.nn.BCELoss(size_average=True)
optimzer = torch.optim.SGD(model.parameters(), lr=0.1)


if __name__ == '__main__':
    for epoch in range(100):
        for i, (x, y) in enumerate(train_loader, 0):
            y_pred = model(x)
            loss = criterion(y_pred, y)
            print("Epoch:{}\tBCE:{}".format(epoch, loss))
            optimzer.zero_grad()
            loss.backward()
            optimzer.step()


# y_t = model(x_test_data)
# y = y_t.data.numpy()
# result = np.where(y > 0.5, 1, 0)  # 满足大于0.5的值保留，不满足的设为0
# result = (result - y_test_data.numpy())  # 同真实值相减，如果一致，则为零，寻找0的个数即为测试正确的个数
# result = np.count_nonzero(result < 0.1)  # 寻找矩阵中小于0.1的数的个数，就是寻找0个个数
# result = result / 59
# print("Test Result:", result)