1.引入库

import numpy as np
import pandas as pd
import torch
from torch.utils.data import Dataset #抽象类 被继承
from torch.utils.data import DataLoader #加载数据

2.准备数据集

class TitanicDataset(Dataset):def __init__(self,filepath):xy = pd.read_csv(filepath) self.len = xy.shape[0] # xy.shape（）可以得到xy的行列，[0]取行，[1]取列#选取需要的特征feature = ["Pclass", "Sex", "SibSp", "Parch", "Fare"]# xy[feature]的类型是DataFrame,先进行独热表示，然后转成array,最后转成tensor用于进行矩阵计算。self.x_data = torch.from_numpy(np.array(pd.get_dummies(xy[feature]))) self.y_data = torch.from_numpy(np.array(xy["Survived"]))def __getitem__(self,index): #魔法函数，支持 dataset[index]return self.x_data[index],self.y_data[index]def __len__(self): #魔法函数 支持len()return self.len# 实例化自定义类，并传入数据地址
dataset = TitanicDataset('../input/titanic/train.csv')# num_workers是否要进行多线程服务，num_worker=2 就是2个进程并行运行
# 采用Mini-Batch的训练方法
train_loader = DataLoader(dataset = dataset,batch_size = 32,shuffle = True,num_workers=2)#双线程

3.定义模型

class Model(torch.nn.Module): # 设置要从torch神经网络模块中要继承的模型函数def __init__(self):super(Model,self).__init__() # 对继承于torch.nn的父模块类进行初始化self.linear1 = torch.nn.Linear(6,3)#输入6 输出3；五个特征转化为了6维，因为get_dummies将性别这一个特征用两个维度来表示，即男性[1,0],女性[0，1]self.linear2 = torch.nn.Linear(3,1)self.sigmoid = torch.nn.Sigmoid() #调用nn下的模块 作为运算模块#正向传播    def forward(self,x): x= self.sigmoid(self.linear1(x))x= self.sigmoid(self.linear2(x))return x#预测函数 用在测试集def predict(self,x):with torch.no_grad(): #上下文管理器，被该语句 wrap 起来的部分将不会track 梯度。x=self.sigmoid(self.linear1(x))x=self.sigmoid(self.linear2(x))y=[]# 根据二分法原理，划分y的值for i in x:if i >0.5:y.append(1)else:y.append(0)return ymodel = Model()

4.调用优化器和损失函数

criterion = torch.nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

5.run 训练集

# 防止windows系统报错
if __name__ == '__main__':# 采用Mini-Batch的方法训练要采用多层嵌套循环# 所有数据都跑100遍for epoch in range(100):# data从train_loader中取出数据（取出的是一个元组数据）：（x，y）# enumerate可以获得当前是第几次迭代，内部迭代每一次跑一个Mini-Batchfor i, data in enumerate(train_loader, 0):#准备数据 inputs获取到data中的x的值，labels获取到data中的y值inputs, labels = datainputs = inputs.float()labels = labels.float()#正向传播y_pred = model(inputs)y_pred = y_pred.squeeze(-1) ## 前向输出结果是[[12],[34],[35],[23],[11]]这种，需要将这个二维矩阵转换成一行[12,34,35,23,11]loss = criterion(y_pred, labels)print(epoch, i, loss.item())#反向传播optimizer.zero_grad()loss.backward()#更新optimizer.step()

6.用训练集的参数run 测试集

#测试集数据准备
test_data = pd.read_csv('../input/titanic/test.csv') #读取数据
feature = ["Pclass", "Sex", "SibSp", "Parch", "Fare"] #和训练集保持特征的一致性 选取相同的项
test = torch.from_numpy(np.array(pd.get_dummies(test_data[feature]))) #与训练集保持一致# 进行预测，并将结果以CSV格式保存
y = model.predict(test.float()) #浮点数
outputs = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': y})
outputs.to_csv('predict_titantic', index=False)  # index=False 代表不保存索引#观察一下结果
outputs.head()

PyTorch深度学习（B站刘二大爷）第八讲作业——Kaggle网站泰坦尼克号Titanic相关推荐

《PyTorch深度学习实践》刘二大人第2讲线性模型——使用双层for循环完成课后作业
一.课堂代码 import numpy as np import matplotlib.pyplot as pltx_data = [1.0,2.0,3.0] y_data = [2.0,4.0,6. ...
PyTorch深度学习入门与实战（案例视频精讲）
作者:孙玉林,余本国著出版社:中国水利水电出版社品牌:智博尚书出版时间:2020-07-01 PyTorch深度学习入门与实战(案例视频精讲)
PyTorch深度学习实践（b站刘二大人）P6讲逻辑斯蒂回归 Logistic Regression
1.分类任务的数据集 ① The MNIST Dataset:handwritten digits Training set: 60,000 examples, Test set: 10,000 ex ...
PyTorch 深度学习实践 GPU版本B站刘二大人第11讲卷积神经网络(高级篇)GPU版本
第11讲卷积神经网络(高级篇) GPU版本源代码原理是基于B站刘二大人 :传送门PyTorch深度学习实践--卷积神经网络(高级篇) 这篇基于博主错错莫:传送门深度学习实践第11讲博文仅在 ...
Pytorch 深度学习实战教程（二）：UNet语义分割网络
本文 GitHub https://github.com/Jack-Cherish/PythonPark 已收录,有技术干货文章,整理的学习资料,一线大厂面试经验分享等,欢迎 Star 和完善. 一 ...
Pytorch深度学习实战教程（二）：UNet语义分割网络
1 前言本文属于Pytorch深度学习语义分割系列教程. 该系列文章的内容有: Pytorch的基本使用语义分割算法讲解如果不了解语义分割原理以及开发环境的搭建,请看该系列教程的上一篇文章< ...
Pytorch深度学习实践（b站刘二大人）P10讲 (CNN卷积神经网络基础篇)
1.全连接网络指的是网络里面用的都是线性层,如果一个网络全都由线性层串行连接起来,就叫做全连接网络在线性层里面输入和每一个输出值之间都存在权重,即每一个输入节点都要参与到下一层输出节点的计算上,这 ...
pytorch adagrad_【学习笔记】Pytorch深度学习—优化器（二）
点击文末阅读原文,体验感更好哦! 前面学习过了Pytorch中优化器optimizer的基本属性和方法,优化器optimizer的主要功能是 "管理模型中的可学习参数,并利用参数的梯度gr ...
【PyTorch深度学习实践】P9 kaggle otto商品分类作业（含注释）
<PyTorch深度学习实践>-刘二大人 Otto Group Product Classification作业将商品进行十分类,输入为93个特征10个类别的商品数据集,输出为预测数据集 ...
【Pytorch深度学习实践】B站up刘二大人之SoftmaxClassifier-代码理解与实现(8/9)
这是刘二大人系列课程笔记的倒数第二个博客了,介绍的是多分类器的原理和代码实现,下一个笔记就是basicCNN和advancedCNN了: 写在前面: 这节课的内容,主要是两个部分的修改: 一是数据集: ...

PyTorch深度学习（B站刘二大爷）第八讲作业——Kaggle网站泰坦尼克号Titanic

1.引入库

2.准备数据集

3.定义模型

4.调用优化器和损失函数

5.run 训练集

6.用训练集的参数run 测试集

PyTorch深度学习（B站刘二大爷）第八讲作业——Kaggle网站泰坦尼克号Titanic相关推荐

最新文章

热门文章