刘老师的《Pytorch深度学习实践》第八讲：加载数据集 代码

import numpy as np

import torch

from torch.utils.data import Dataset

from torch.utils.data import DataLoader#DataLoader需要获取DataSet提供的索引[i]和len

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):#支持下标索引

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=32,shuffle=True,num_workers=2)#num_workers=并行的数量

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

model=Model()#实例化

criterion=torch.nn.BCELoss(reduction='mean')

optimizer=torch.optim.SGD(model.parameters(),lr=0.01)

if __name__=='__main__':

#training cycle

for epoch in range(100):

#loop over all batches

for i,data in enumerate(train_loader,0):

inputs,labels=data#inputs为x,labels为y

y_pred=model(inputs)

loss=criterion(y_pred,labels)

print(epoch,i,loss.item())

optimizer.zero_grad()

loss.backward()

optimizer.step()

作业数据链接：Titanic - Machine Learning from Disaster | Kaggle

相关知识

刘老师的《Pytorch深度学习实践》第八讲：加载数据集 代码
基于深度学习的鸟类识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
详解pytorch实现猫狗识别98%附代码
基于深度学习的动物识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的多种类动物识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的犬种识别系统详解（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
深度学习数据集
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的障碍物检测系统（深度学习代码+UI界面+训练数据集）
Pytorch采用AlexNet实现猫狗数据集分类（训练与预测）
深度学习卷积神经图像分类实现鸟类识别含训练代码和鸟类数据集(支持repVGG，googlenet, resnet, inception, mobilenet)

网址: 刘老师的《Pytorch深度学习实践》第八讲：加载数据集 代码 https://www.mcbbbk.com/newsview294016.html