dataset dataloader
加载数据
dataset 构造数据集（支持索引）
dataloader 拿出minibatch
batch： 加快计算速度
1样本： 能较好随机性克服鞍点（缺点时间长）
minibatch 用来均衡两者
10,000 样本
batch-size 1000
iteration 10
先打乱，再分成minibatch（如下图）
import torch
import numpy as np
from torch.utils.data import Dataset #Dataset抽象类，不可实例需要有类去继承它
from torch.utils.data import DataLoader #可实例
#数据集实现
class DiabetesDataset(Dataset):
def __init__(self, filepath):
xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32)
self.len = xy.shape[0] # shape(多少行，多少列)（n,9）以此得到数据集个数
self.x_data = torch.from_numpy(xy[:, :-1])
self.y_data = torch.from_numpy(xy[:, [-1]])
def __getitem__(self, index):#魔法方法，使能支持下标操作dataset[index]
return self.x_data[index], self.y_data[index]#根据索引返回样本
def __len__(self):#魔法方法，返回数据条数
return self.len
dataset = DiabetesDataset('diabetes.csv')#加载器
train_loader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=2) #num_workers 多线程
#shuffle=True打乱，num_workers几个并行的进程
#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 x
model = Model()
# construct loss and optimizer
criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# training cycle forward, backward, update
if __name__ == '__main__':
for epoch in range(100): #enumerate获得当前迭代次数i ,train_loade拿出来的是Dataset里__getitem()__的值（x,y）并自动变成矩阵tensor
for i, data in enumerate(train_loader, 0): # train_loader 是先shuffle后划分mini_batch ,for--在几个minibatch
inputs, labels = data #minibatch里所有数据进行的
y_pred = model(inputs)
loss = criterion(y_pred, labels)
print(epoch, i, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
多线程时会遇到问题：
解决：将需要迭代的代码封装起来用 if 或 函数
if name==“main”:
