关键词:
一、基础概念
二、代码及讲解
import torch
import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
# prepare dataset
class DiabetesDataset(Dataset):
def __init__(self, filepath):
xy = np.loadtxt(filepath, delimiter=',', dtype=np.float32) # (759, 9) 最后一列是标签,二分类0,1
self.len = xy.shape[0]
self.x_data = torch.from_numpy(xy[:, :-1]) # 获取样本特征
self.y_data = torch.from_numpy(xy[:, [-1]]) # 获取样本标签
def __getitem__(self, index): # 获取样本索引
return self.x_data[index], self.y_data[index]
def __len__(self): # 获取样本总量:759
return self.len
dataset = DiabetesDataset('diabetes.csv')
train_loader = DataLoader(dataset=dataset, batch_size=64, shuffle=False, num_workers=4) # num_workers:多进程数据加载
# design model using class
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(1):
for i, data in enumerate(train_loader, 0): # 迭代对象
inputs, labels = data
print(len(data[0]))
y_pred = model(inputs)
loss = criterion(y_pred, labels)
print(epoch, i, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
代码中shuffle=False是不打乱样本的意思,然后我也特意设置epoch=1并且看看究竟是如何迭代的。具体如下:
在每个epoch下,我们每次都选batch_size=64个样本进行训练并且参数更新,直到我们将所有的样本使用完,最后一个batch_size不够64个样本也要进行训练。
可以看出,我们一共有759个样本,batch_size=64,一共进行了12次参数更新,前11次都使用64个样本,最后一次使用55个样本。
《pytorch深度学习实践》介绍
...bsp; 本文为bilibili刘二大人所讲的《PyTorch深度学习实践》学习笔记介绍。 笔记融入了自己对课程和代码的理解,希望对大家有所帮助,由于本人知识尚浅,如果笔记中有任何... 查看详情
学习笔记:深度学习——基于pytorch的bert应用实践(代码片段)
学习时间:2022.04.26~2022.04.30文章目录7.基于PyTorch的BERT应用实践7.1工具选取7.2文本预处理7.3使用BERT模型7.3.1数据输入及应用预处理7.3.2提取词向量7.3.3网络建模7.3.4参数准备7.3.5模型训练7.基于PyTorch的BERT应用实践本节着重于将BER... 查看详情
pytorch学习1b站刘二大人《pytorch深度学习实践》——线性模型(linearmodel)(代码片段)
b站课程链接:线性模型1.基本思想:给出了一组一维数据,定义了一个简单的线性拟合函数,通过穷举法来列出一些权重(拟合函数的系数),并计算这些权重对应的拟合损失函数(使用均方误差... 查看详情
pytorch深度学习实践-cnn(代码片段)
ConvolutionalLayerimporttorchin_channels,out_channels=5,10width,height=100,100kernel_size=3batch_size=1input=torch.randn(batch_size,in_channels,width,height)conv_layer=torch.nn.Conv2d(in_channels,out_ 查看详情
pytorch深度学习实践入门01(代码片段)
文章目录基于PyTorch的两层神经网络一、基于numpy的两层神经网络实现:二、基于PyTorch的两层神经网络实现:三、使用nn库实现两层神经网络四、自定义nnModules实现两层神经网络总结基于PyTorch的两层神经网络提示:在... 查看详情
深度学习与图神经网络核心技术实践应用高级研修班-day1tensorflow和pytorch(代码片段)
深度学习与图神经网络-Tensorflow和Pytorch1.TensorFlow和Pytorch2.TensorFlow简介3.TensorFlow的API4.Pytorch简介5.Python安装6.TensorFlow安装7.Pytorch安装1.TensorFlow和Pytorch2.TensorFlow简介TensorFlow最初是由GoogleBrain团队(隶属于Goo 查看详情
pytorch深度学习实践_p9_多分类问题_pytorch手写实现数字辨识(代码片段)
pytorch手写实现数字辨识知识点补充view()在PyTorch中view函数作用为重构张量的维度,相当于numpy中的resize()的功能torch.nn.CrossEntropyLoss()求交叉熵,并且其中嵌套了log和softmax函数所以i神经网络最后一层不用再用softmax激活torch.m... 查看详情
pytorch反向传播实现——up主:刘二大人《pytorch深度学习实践》(代码片段)
教程:https://www.bilibili.com/video/BV1Y7411d7Ys?p=2&vd_source=715b347a0d6cb8aa3822e5a102f366fe数据集:xdata=[1.0,2.0,3.0]ydata=[2.0,4.0,6.0]x_data=[1.0,2.0,3.0]\\\\y_data=[2.0,4.0,6.0]xdata=[1.0,2.0,3.0]ydata=[2.0,4.0,6.0]参数初始值... 查看详情
pytorch学习2b站刘二大人《pytorch深度学习实践》——梯度下降算法(gradientdescent)(代码片段)
b站课程链接:梯度下降算法一、梯度下降算法1.简介梯度下降算法是一种求解函数最优值的迭代算法,给定一个初值,通过负梯度方向进行更新查找。2.程序实现及结果importmatplotlib.pyplotasplt#训练集x_data=[1.0,2.0,3.0]y_... 查看详情
对比学习:《深度学习之pytorch》《pytorch深度学习实战》+代码
PyTorch是一个基于Python的深度学习平台,该平台简单易用上手快,从计算机视觉、自然语言处理再到强化学习,PyTorch的功能强大,支持PyTorch的工具包有用于自然语言处理的AllenNLP,用于概率图模型的Pyro,扩展了PyTorch的功能。通... 查看详情
6.2pytorch图像的多分类--手写字体识别(代码片段)
欢迎订阅本专栏:《PyTorch深度学习实践》订阅地址:https://blog.csdn.net/sinat_33761963/category_9720080.html第二章:认识Tensor的类型、创建、存储、api等,打好Tensor的基础,是进行PyTorch深度学习实践的重中之重的基础... 查看详情
pytorch学习3《pytorch深度学习实践》——反向传播(backpropagation)(代码片段)
...和其他张量之间的线性关系的多线性函数。 在PyTorch上有这样一句话,Atorch.Tensorisamulti-dimensionalmatrixcontainingelementsofasingledatatype.而在应用时,Tensor是一个神奇的东西,注意这里的类型是<class‘torch.Tensor’>... 查看详情
anaconda配置各版本pytorch深度学习环境(代码片段)
目录1.前言2.配置镜像源3.pytorch,torchvision,python版本对应4.创建并进入虚拟环境5.Pytorch0.4.16.Pytorch1.0.07.Pytorch1.0.18.Pytorch1.1.09.Pytorch1.2.010.Pytorch1.4.011.Pytorch1.5.012.Pytorch1.5.113.Pytorch1.6.0 查看详情
6.3pytorch实现autoencoder模型(代码片段)
欢迎订阅本专栏:《PyTorch深度学习实践》订阅地址:https://blog.csdn.net/sinat_33761963/category_9720080.html第二章:认识Tensor的类型、创建、存储、api等,打好Tensor的基础,是进行PyTorch深度学习实践的重中之重的基础... 查看详情
深度学习——基础(基于pytorch代码)(代码片段)
...数管理延后初始化自定义层读写文件GPU预备知识数据操作Pytorch中对数据(tensor张量)的操作类似于Numpy(ndarray),但由于深度学习大都是用GPU进行计算,而Numpy仅支持CPU计算,且Pytorch的张量类支持自动... 查看详情
6.4pytorch实现skipgram模型(代码片段)
欢迎订阅本专栏:《PyTorch深度学习实践》订阅地址:https://blog.csdn.net/sinat_33761963/category_9720080.html第二章:认识Tensor的类型、创建、存储、api等,打好Tensor的基础,是进行PyTorch深度学习实践的重中之重的基础... 查看详情
6.1pytorch简单二分类模型(代码片段)
欢迎订阅本专栏:《PyTorch深度学习实践》订阅地址:https://blog.csdn.net/sinat_33761963/category_9720080.html第二章:认识Tensor的类型、创建、存储、api等,打好Tensor的基础,是进行PyTorch深度学习实践的重中之重的基础... 查看详情
使用pytorch实现深度学习的主要流程(代码片段)
一、使用Pytorch实现深度学习的主要流程使用Pytorch进行深度学习的实现流程主要包含如下几个部分:1、预处理、后处理并确认网络的输入和输出2、创建Dataset3、创建DataLoader4、创建网络模型5、定义正向传播函数(forward... 查看详情