第二章 2.3.1 定义数据集训练神经网络

定义数据集训练神经网络# https://github.com/PacktPublishing/Modern-Computer-Vision-with-PyTorch

# https://github.com/PacktPublishing/Modern-Computer-Vision-with-PyTorch###################  Chapter Two #######################################
#数据集的库
from torch.utils.data import Dataset, DataLoader 
import torch
import torch.nn as nn
########################################################################
x = [[1,2],[3,4],[5,6],[7,8]]
y = [[3],[7],[11],[15]]X = torch.tensor(x).float()
Y = torch.tensor(y).float()
########################################################################
# 如果有GPU，使用它

device = 'cuda' if torch.cuda.is_available() else 'cpu'
X = X.to(device)
Y = Y.to(device)
print(device)
########################################################################
# 定义我的数据集
class MyDataset(Dataset):def __init__(self,x,y):self.x = x.clone().detach().requires_grad_(True)self.y = y.clone().detach().requires_grad_(False)def __len__(self):return len(self.x)def __getitem__(self, ix):return self.x[ix], self.y[ix]
ds = MyDataset(X, Y)
# 取出一个样本
print(ds.__getitem__(1))
########################################################################
dl = DataLoader(ds, batch_size=2, shuffle=True)
########################################################################
# 定义我的神经元网络类
class MyNeuralNet(nn.Module):def __init__(self):super().__init__()self.input_to_hidden_layer = nn.Linear(2,8)self.hidden_layer_activation = nn.ReLU()self.hidden_to_output_layer = nn.Linear(8,1)def forward(self, x):x = self.input_to_hidden_layer(x)x = self.hidden_layer_activation(x)x = self.hidden_to_output_layer(x)return x
########################################################################
#定义我的神经网络对象、损失函数、优化算法

mynet = MyNeuralNet().to(device)
loss_func = nn.MSELoss()
from torch.optim import SGD
opt = SGD(mynet.parameters(), lr = 0.001)########################################################################
import time
loss_history = []
start = time.time()
# 训练我的神经网络
for _ in range(50):for data in dl:x, y = dataprint(data)opt.zero_grad()loss_value = loss_func(mynet(x),y)loss_value.backward()opt.step()loss_history.append(loss_value)
end = time.time()
print(end - start)
########################################################################
val_x = [[7,8]]
# 使用我训练好的神经网络，计算一个输入、输出
val_x = torch.tensor(val_x).float().to(device)print(mynet(val_x))