PyTorch加载数据集梯度下降优化_Python

PyTorch加载数据集梯度下降优化

2022-10-28 10:24心️升明月 Python

这篇文章主要介绍了PyTorch加载数据集梯度下降优化,使用DataLoader方法，并继承DataSet抽象类，可实现对数据集进行mini_batch梯度下降优化,需要的小伙伴可以参考一下

一、实现过程

1、准备数据

与PyTorch实现多维度特征输入的逻辑回归的方法不同的是：本文使用DataLoader方法，并继承DataSet抽象类，可实现对数据集进行mini_batch梯度下降优化。

代码如下：

				?

									import torch

									import numpy as np

									from torch.utils.data import Dataset,DataLoader

									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):

									        return self.x_data[index],self.y_data[index]

									    def __len__(self):

									        return self.len

									dataset = DiabetesDataSet('G:/datasets/diabetes/diabetes.csv')

									train_loader = DataLoader(dataset=dataset,batch_size=32,shuffle=True,num_workers=0)

2、设计模型

				?

									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.activate = torch.nn.Sigmoid()

									    def forward(self, x):

									        x = self.activate(self.linear1(x))

									        x = self.activate(self.linear2(x))

									        x = self.activate(self.linear3(x))

									        return x

									model = Model()

3、构造损失函数和优化器

				?

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

									optimizer = torch.optim.SGD(model.parameters(),lr=0.1)

4、训练过程

每次拿出mini_batch个样本进行训练，代码如下：

				?

									epoch_list = []

									loss_list = []

									for epoch in range(100):

									    count = 0

									    loss1 = 0

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

									        # 1.Prepare data

									        inputs, labels = data

									        # 2.Forward

									        y_pred = model(inputs)

									        loss = criterion(y_pred,labels)

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

									        count += 1

									        loss1 += loss.item()

									        # 3.Backward

									        optimizer.zero_grad()

									        loss.backward()

									        # 4.Update

									        optimizer.step()

									    epoch_list.append(epoch)

									    loss_list.append(loss1/count)

5、结果展示

				?

									plt.plot(epoch_list,loss_list,'b')

									plt.xlabel('epoch')

									plt.ylabel('loss')

									plt.grid()

									plt.show()