PyTorch深度学习实践第八讲---Mini-batch数据集

Vinsada

已于 2022-10-19 09:58:31 修改

阅读量661

点赞数

分类专栏： Pytorch框架实践文章标签： pytorch batch 深度学习

于 2022-10-17 16:58:10 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_43224291/article/details/127367779

版权

Demo8 数据集划分处理（加载数据集）
来源 B站刘二大人

说明：

DataSet 是抽象类，不能实例化对象，主要是用于构造我们的数据集。继承DataSet的类需要重写方法返回len和根据索引获取对应的值。getitem（）目的是为支持下标(索引)操作。
DataLoader 用来帮助我们处理数据，具体就是做shuffle(提高数据集的随机性)，和根据batch_size拿出Mini-Batch进行训练，DataLoader可实例化对象。

代码说明：
需要mini_batch 就需要import DataSet和DataLoader
继承DataSet的类需要重写init，getitem,len魔法函数。分别是为了加载数据集，获取数据索引，获取数据总量。
DataLoader对数据集先打乱(shuffle)，然后划分成mini_batch。
len函数的返回值除以 batch_size 的结果就是每一轮epoch中需要迭代的次数。
inputs, labels = data中的inputs的shape是[32,8],labels 的shape是[32,1]。也就是说mini_batch在这个地方体现的
diabetes.csv数据集老师给了下载地址，可自行下载

课程代码

import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
class DiabetesDataset(Dataset):
    def __init__(self, filepath):
        xy = np.loadtxt(filepath, delimiter=',', dtype = np.float32)