PyTorch 教程-创建感知器模型的数据集

现在，我们将了解如何创建、学习和测试感知器模型。在PyTorch中实现感知器模型涉及多个步骤，如创建模型的数据集、设置模型、训练模型和测试模型。

让我们从第一步开始，即创建数据集。

为了创建数据集，我们将直接从SDK learn导入一个数据集。SDK-learn为我们提供了许多预先准备的数据集的访问权限。通过简单导入数据集，我们可以访问所有这些数据集。在这个过程中，我们还使用numpy库来进一步操作和分析这些数据，并最后导入用于绘制数据集的常见库，即matplotlib.pyplot。

在这里，我们首先使用SDK learn创建一个线性可分离的数据集，然后使用torch创建基于感知器的神经网络。之后，神经网络将被训练学习如何适应我们的数据集，以便能够将数据分离成两个离散的类别。这将使用优化算法（梯度下降）来完成，你可能对此有所了解。

在这里，我们将使用make_blobs()方法。该函数将创建一组所有数据点的集群，这些数据点都是随机集中在所选集群的中心点上。

让我们看看创建数据集的步骤：

1.第一步是导入所有所需的库，如torch、sklearn、numpy和matplotlib.pyplot。

import torch  
import numpy as np  
import matplotlib.pyplot as plt  
fromsk learn import datasets  

2.在第二步中，我们定义数据点的数量，然后使用make_blobs()函数创建数据集。正如我告诉过你的，这个函数将创建一组数据点的集群。

no_of_points=100  
datasets.make_blobs()  

3.在调用make_blobs()函数之前，我们需要创建一个嵌套列表，该列表指定我们集群的中心坐标。因此，我们需要调用列表centers，并以以下方式定义我们集群的中心坐标。

centers=[[-0.5,0.5],[0.5,-0.5]]  

4.现在，我们将创建我们的数据集，并将数据点存储在变量x中，同时将值存储在变量y中，我们将稍后稍微使用我们的标签。

x,y=dataset.make_blobs()  

5.我们的数据集尚未创建，因为我们还没有传递此函数的任何适当参数。因此，我们在此传递所有参数。第一个参数表示样本点的数量；第二个参数是随机状态，第三个参数是中心，最后一个参数将允许我们生成我们的第一个线性可分离数据集，即集群标准差。

x,y=datasets.make_blobs(n_samples=no_of_points,random_state=123,centers=centers,cluster_std=0.4)  

6.在下一步中，我们通过打印x和y坐标来可视化我们的数据。

print(x)  
print(y)  

7.现在，在按照需要自定义我们的数据集之后，我们可以使用plt.scatter()函数来绘制和可视化它。我们定义每个标签数据集的x和y坐标。让我们从标签为0的数据集开始。它绘制我们数据的顶部区域。标签为0的数据集的散点函数定义如下：

plt.scatter(x[y==0,0],x[y==0,1])  

8.现在，我们绘制我们数据的底部区域的点。标签为1的数据集的散点函数定义如下：

plt.scatter(x[y==1,0],x[y==1,1])  

9.记住，要训练一个模型，x和y坐标都应该是numpy数组。所以我们要做的是将我们的x和y值变成张量。

xdata=torch.Tensor(x)  
ydata=torch.Tensor(y)